Künstliche Intelligenz und Next Generation Sequencing

Zusammenfassung

Mit diesem Artikel möchten wir dem Leser verdeutlichen, wie in den letzten Jahrzehnten dank der Fortschritte in der Molekularbiologie neue medizinisch relevante Erkenntnisse bei myeloischen Neoplasien gewonnen wurden. Das wachsende Verständnis der zugrundeliegenden Pathophysiologie ist auf die Identifizierung spezifischer genomischer Veränderungen zurückzuführen und liefert uns sehr empfindliche Werkzeuge für die Diagnostik, Prognoseabschätzung und das Therapiemonitoring. Zusätzlich ebnet uns die Identifizierung bestimmter molekularer Zielstrukturen den Weg zu einer individualisierten oder personalisierten Therapie. Insbesondere die rasche Entwicklung neuer Sequenzierungstechniken für das menschliche Genom wie Next Generation Sequencing hat zu diesem Fortschritt beigetragen. Einhergehend mit diesem Fortschritt, stehen wir jedoch auch vor neuen Herausforderungen hinsichtlich der Interpretation der gewonnenen Daten. In jüngster Zeit haben uns neue Auswertungsverfahren, die sich unter anderem bei Methoden aus dem Gebiet der künstlichen Intelligenz bedienen, Werkzeuge zur Verfügung gestellt, um die komplexen Wechselwirkungen von genomischen Veränderungen, Krankheitsverlauf und weiteren Faktoren genauer analysieren zu können und welche in Zukunft für den Kliniker an Relevanz gewinnen können.

• Literatur

• 1 Arber DA, Orazi A, Hasserjian R. et al. The 2016 Revision to the World Health Organization Classification of Myeloid Neoplasms and Acute Leukemia. Blood 2016; 127: 2391-2405
• 2 Ley TJ. Cancer Genome Atlas Research Network. et al. Genomic and Epigenomic Landscapes of Adult De Novo Acute Myeloid Leukemia. N Engl J Med 2013; 368: 2059-2074
• 3 Stone RM, Mandrekar SJ, Sanford BL. et al. Midostaurin Plus Chemotherapy for Acute Myeloid Leukemia With a FLT3 Mutation. N Engl J Med 2017; 377: 454-464
• 4 Young AL, Wong TN, Hughes AEO. et al. Quantifying Ultra-Rare Pre-Leukemic Clones via Targeted Error-Corrected Sequencing. Leukemia 2015; 29: 1608-1611
• 5 Birg F, Courcoul M, Rosnet O. et al. Expression of the FMS/KIT-like Gene FLT3 in Human Acute Leukemias of the Myeloid and Lymphoid Lineages. Blood 1992; 80: 2584-2593
• 6 Döhner H, Estey E, Grimwade D. et al. Diagnosis and Management of AML in Adults: 2017 ELN Recommendations from an International Expert Panel. Blood 2017; 129: 424-447
• 7 Schlenk RF, Döhner K, Krauter J. et al. German-Austrian Acute Myeloid Leukemia Study Group. Mutations and Treatment Outcome in Cytogenetically Normal Acute Myeloid Leukemia. N Engl J Med 2008; 358: 1909-1918
• 8 Bullinger L, Döhner K, Döhner H. Genomics of Acute Myeloid Leukemia Diagnosis and Pathways. J Clin Oncol 2017; 35: 934-946
• 9 Stein EM, DiNardo CD, Pollyea DA. et al. Enasidenib in Mutant IDH2 Relapsed or Refractory Acute Myeloid Leukemia. Blood 2017; 130: 722-731
• 10 DiNardo CD, Stein EM, de Botton S. et al. Durable Remissions With Ivosidenib in IDH1-Mutated Relapsed or Refractory AML. N Engl J Med 2018; 378: 2386-2398
• 11 DiNardo CD, Wei AH. How I treat acute myeloid leukemia in the era of new drugs. Blood 2020; 135: 85-96
• 12 Gooley TA, Chien JW, Pergam SA. et al. Reduced Mortality After Allogeneic Hematopoietic-Cell Transplantation. N Engl J Med 2010; 363: 2091-2101
• 13 Rautenberg C, Pechtel S, Hildebrandt B. et al. Wilms’ Tumor 1 Gene Expression Using a Standardized European LeukemiaNet-Certified Assay Compared to Other Methods for Detection of Minimal Residual Disease in Myelodysplastic Syndrome and Acute Myelogenous Leukemia after Allogeneic Blood Stem Cell Transplantation. Biol Blood Marrow Transplant 2018; 24: 2337-2343
• 14 Thol F, Gabdoulline R, Liebich A. et al. Measurable residual disease monitoring by NGS before allogeneic hematopoietic cell transplantation in AML. Blood 2018; 132: 1703-1713
• 15 Della Porta MG, Gallì A, Bacigalupo A. et al. Clinical Effects of Driver Somatic Mutations on the Outcomes of Patients with Myelodysplastic Syndromes Treated With Allogeneic Hematopoietic Stem-Cell Transplantation. J Clin Oncol 2016; 34: 3627-3637
• 16 Lindsley RC, Saber W, Mar BG. et al. Prognostic Mutations in Myelodysplastic Syndrome after Stem-Cell Transplantation. N Engl J Med 2017; 376: 536-547
• 17 Nazha A, Komrokji RS, Meggendorfer M. et al. A Personalized Prediction Model to Risk Stratify Patients with Myelodysplastic Syndromes. Blood 2018; 132 (Suppl. 01) 793
• 18 Nazha A, Sekeres MA, Bejar R. et al. Genomic Biomarkers to Predict Resistance to Hypomethylating Agents in Patients with Myelodysplastic Syndromes Using Artificial Intelligence. JCO Precis Oncol 2019; 3
• 19 Wang W, Xu S, Ren Z. et al. Gut Microbiota and Allogeneic Transplantation. J Transl Med 2015; 13: 275
• 20 Jacobsen M, Dembek TA, Kobbe G. et al. Noninvasive Continuous Monitoring of Vital Signs With Wearables: Fit for Medical Use?. J Diabetes Sci Technol 2020; 17: 1932296820904947
• 21 Yeh P, Dickinson M, Ftouni S. et al. Molecular Disease Monitoring Using Circulating Tumor DNA in Myelodysplastic Syndromes. Blood 2017; 129: 1685-1690
• 22 Bacher U, Shumilov E, Flach J. et al. Challenges in the introduction of next-generation sequencing (NGS) for diagnostics of myeloid malignancies into clinical routine use. Blood Cancer J 2018; 8: 113