FIRMENVERTRAULICH. NICHT OFFENBAREN.
Personalisierte Gesundheitsversorgung passt die richtigen Behandlungen für die richtigen Patienten an
______________________________________________________________________________________
Herausforderung: Beschleunigen Sie Fortschritte in der Biomarkerforschung durch den Einsatz statistischer Methoden, um immer ausgefeiltere Omics-Daten zu nutzen.
Lösung: Verwenden Sie interaktive Funktionen in JMP Genomics, um robuste statistische Analysen in kürzerer Zeit durchzuführen.
Ergebnisse: Durch die Verbesserung der statistischen Genauigkeit und Reproduzierbarkeit beschleunigen Biomarker-Forscher kritische Innovationen im aufstrebenden Bereich der personalisierten Gesundheitsversorgung.
______________________________________________________________________________________
Die jüngste Biomarkerforschung hat zur Entwicklung zunehmend zielgerichteter Medikamente und diagnostischer Assays geführt. Dieser personalisierte Ansatz im Gesundheitswesen ist weitgehend auf die Verbreitung neuer Genomiktechnologien zurückzuführen, die größere und komplexere Datensätze erzeugen. Mit dem Zugriff auf immer ausgefeiltere Omics-Daten können Wissenschaftler diagnostische und Arzneimittelreaktionsfragen untersuchen, die bis vor kurzem die Möglichkeiten der verfügbaren Technologie überstiegen. Die Datenmenge macht die statistische Analyse jedoch anspruchsvoll, was einen Bedarf an Analysewerkzeugen schafft, die gleichzeitig einen hohen Datendurchsatz verwalten können und gleichzeitig eine interaktive, benutzerfreundliche Schnittstelle für Forscher bieten, die möglicherweise über eine begrenzte statistische Ausbildung verfügen. JMP Genomics gibt den Wissenschaftlern von Genentech die Flexibilität, Daten schnell zu manipulieren und vielversprechende Biomarker für personalisierte Patientenbehandlungen zu identifizieren.
Biomarker fördern die Personalisierung im Gesundheitswesen
Mit dem Fortschritt der Technologie und der Gesundheitsforschung suchen Forscher nach neuen Wegen, um biologische Informationen zu nutzen, um gesundheitliche Ergebnisse vorherzusagen und Patientenbehandlungen anzupassen. Personalisierte Gesundheitsversorgung, wie diese Bewegung allgemein bekannt ist, umfasst Aktivitäten wie:
- Entwicklung diagnostischer Tests, um die Ursache von Symptomen zu identifizieren.
- Kategorisieren von Patienten in Untergruppen, die möglicherweise unterschiedlich auf die Behandlung ansprechen.
- Identifizierung von Biomarkern, die Gesundheitsdienstleistern wichtige Informationen über die Krankheit eines Patienten liefern können.
Die Entwicklung von Biomarkern bietet ein spannendes Fenster in die einzigartigen Auswirkungen von Technologie und Analytik auf die Fähigkeit, ein wirklich personalisiertes Gesundheitserlebnis zu bieten. Biomarker-Wissenschaftler bewerten verschiedene biologische Wechselwirkungen zwischen Arzneimitteln und Patientenuntergruppen, um die Wirksamkeit und Ergebnisse der Behandlung besser zu verstehen, sodass Gesundheitsdienstleister für jeden Patienten die ideale Behandlung verschreiben können.
Um diese patientenspezifischen Medikamente effektiv einzusetzen und die behördliche Zulassung zu erhalten, müssen die Forscher gleichzeitig Companion Diagnostic (CDx)-Assays entwickeln, um Biomarker-positive Patienten zu identifizieren. Obwohl dieses „Ein Medikament/ein Test“-Modell bei vielen Patienten zu verbesserten Ergebnissen geführt hat, sprechen einige Patienten immer noch nicht wie erwartet auf die Behandlung an, so dass Forscher mehr Fragen haben, die aufgrund der begrenzten ihnen zur Verfügung stehenden Instrumente oft unbeantwortet bleiben.
In den letzten Jahren haben jedoch Sequenzierungstechnologien der nächsten Generation und massive parallele Sequenzierung das Feld erschlossen. Die rasante Entwicklung in den Bereichen Mikrofluidik und Multiplexing-Technologien hat die Untersuchungsmöglichkeiten erweitert, sodass Forscher mehrere Gene in einem einzigen Assay bewerten und mehr Daten aus kleineren Gewebeproben sammeln können. Diese Technologien haben Forschern die Mittel zur umfassenden Genotypisierung und Bewertung der transkriptionsweiten Genexpression geliefert, um eine umfassendere Sicht auf die Biologie eines Patienten zu entwickeln. Ausgestattet mit diesen Informationen können Biomarker-Forscher weiterhin Behandlungen für immer raffiniertere Untergruppen von Patienten bewerten und so die Wahrscheinlichkeit erfolgreicher Behandlungsergebnisse erhöhen.Angesichts einer ständig wachsenden Menge an verfügbaren Omics-Daten benötigen Forscher jedoch ausgeklügelte statistische Werkzeuge, um sie auszuwerten.
Die Macht von Big Data nutzen, um onkologische Biomarker zu entwickeln
Matt Wongchenko, Principal Scientific Researcher bei Genentech, untersucht Biomarker im Kontext der Entwicklung von Krebsmedikamenten. „Genentech und Roche haben ein sehr starkes Interesse an der Zukunft der personalisierten Medizin. Das ist der Hintergrund für die Existenz der Entwicklungsgruppe für onkologische Biomarker“, sagt Wongchenko. Bei einem so großen Unternehmen befinden sich unzählige Medikamente für onkologische Indikationen in der Entwicklung; Die Aufgabe von Wongchenko besteht darin, spezifische Biomarker zu identifizieren, die verwendet werden können, um die Reaktion des Patienten auf jedes Medikament vorherzusagen oder zu messen, und dann zuverlässige diagnostische Assays zu erstellen, um diese Biomarker zu identifizieren. Durch diesen Prozess passt Genentech die verfügbaren Behandlungen an verschiedene Patienten-Subpopulationen an und stößt damit an die Grenzen der personalisierten Gesundheitsversorgung.
Der Umfang dieser Forschung ist in relativ kurzer Zeit um Größenordnungen gewachsen. „Als ich mit der Forschung begann, ging es vor allem darum, kleine Fragen zu beantworten, Assays zu haben, um einzelne Gene, einzelne Proteine zu untersuchen, und mit sehr spezifischen Fragen an die Daten heranzugehen“, sagt Wongchenko. Die erweiterten Möglichkeiten, die dieses Datenvolumen bietet, bieten neue Möglichkeiten zum Verständnis der molekularen Grundlagen jeder Indikation und Patientenuntergruppe, wodurch der Wert der Verwendung von Biomarkern bei Entscheidungen zur Patientenbehandlung erhöht wird.
Wachsendes Datenvolumen bringt neue Herausforderungen
Mit dem Umfang und der Komplexität von Omics-Daten steigen auch die Anforderungen an Biomarker-Wissenschaftler wie Wongchenko. Obwohl die Technologie Fortschritte gemacht hat, um Biomarker-Wissenschaftlern die Werkzeuge zur Durchführung von Multi-Omic-Experimenten und zur Verbesserung ihrer gesamten statistischen Aussagekraft und Reproduzierbarkeit an die Hand zu geben, fehlt diesen Wissenschaftlern oft das statistische Fachwissen und die Ausbildung, um die verfügbaren Ressourcen zu verstehen und voll auszuschöpfen. Genentech unterhält zwar hochqualifiziertes Statistikpersonal, um Teams wie das von Wongchenko zu unterstützen, diese können jedoch oft nicht das gesamte Spektrum der analytischen Anforderungen im gewünschten Zeitrahmen erfüllen.
„Wir arbeiten mit unseren Biomathematikern zusammen, und sie haben widersprüchliche Prioritäten und eine begrenzte Zeit“, sagt Wongchenko. Das Vertrauen auf externes Personal zur statistischen Unterstützung schränkt das Biomarker-Team oft zeitlich ein und schränkt seine Fähigkeit ein, seine Analysen an seine laufenden Beobachtungen anzupassen, was es daran hindert, die Ausgabe der verfügbaren Daten zu maximieren. „Manchmal gibt es am nächsten Tag ein Meeting, für das ich eine Analyse bereithalten muss, um die Entscheidungsfindung zu unterstützen, und ich kann das [mit JMP] umkehren, anstatt Wochen oder Monate warten zu müssen, bis jemand anderes dies tut Analyse."
Tools, die diese Daten zeitnah und wendig analysieren können, sind sehr wertvolle, besonders benutzerfreundliche Tools wie JMP Genomics, die keinen soliden Hintergrund in Statistik erfordern. Obwohl er anfangs mit der Nutzung von JMP Genomics begann, weil es sich um das unternehmensweite Softwareangebot von Genentech handelte, erkannte Wongchenko bald die Vorteile von JMP; er konnte seine bisherigen Programmiererfahrungen in Kombination mit zusätzlichen Schulungen anpassen, um JMP in seiner Forschung anzuwenden. „Ich hatte nicht unbedingt einen so hohen Analysedurchsatz wie zuvor, bis ich wusste, wie man JMP Genomics verwendet“, teilt er mit. „Bevor ich JMP benutzt habe... war es definitiv ärgerlich und zeitaufwendig, Statistiken zu bekommen.“
Die richtigen Werkzeuge mit den richtigen Bedürfnissen kombinieren
Was also macht JMP Genomics zu einem so nützlichen Werkzeug für diese Art von robuster Computeranalyse?
„Der größte Treiber sind die interaktiven Analysen“, sagt Wongchenko. „Es ist kaum zu überbieten, einfach eine Datentabelle zu öffnen und meine Variablen zu erfassen, die ich mir ansehen möchte. In fünf Sekunden kann ich sehen, was der Zusammenhang zwischen zwei verschiedenen Dingen ist, oder der Zusammenhang zwischen einer Variablen und dem Überleben usw. Es ist wirklich die Leichtigkeit, die Daten zu analysieren und interaktiv zu betrachten.“
Mit der Flexibilität von JMP Genomics können Wissenschaftler die Daten gründlicher untersuchen und ihre genomische Expertise nutzen, um Analysen maßzuschneidern und Probleme oder Ergebnisse leichter zu identifizieren als mit vollautomatischen Analysetools. Diese Flexibilität erleichtert auch eine effektive Entscheidungsfindung; schnelle Bearbeitungszeiten ermöglichen es dem Team, mehrere Szenarien auszuwerten und eine breitere statistische Begründung als bisher verfügbar bereitzustellen.
Mit der Erweiterung der analytischen Fähigkeiten sind Wissenschaftler bei Genentech und in der gesamten Biomarker-Industrie endlich in der Lage, die kritischen Informationen zu erschließen, die sich in den Sequenzierungsdaten von Patienten verbergen. Da Wissenschaftler wie Wongchenko Biomarker entwickeln, um die Wechselwirkungen zwischen Arzneimitteln und Patienten zu beleuchten, wird es immer wichtiger zu verstehen, wie Behandlungen an einzelne Patienten angepasst werden können.
„Der Prozess der Arzneimittelzulassung wird immer langwierig sein“, sagt Wongchenko. Aber mit den richtigen Werkzeugen können Forscher bisher unbekannte Assoziationen herausarbeiten, die die Art und Weise, wie Behandlungen durchgeführt werden, verändern und die Onkologieforschung näher an eine personalisierte Gesundheitsversorgung heranführen.
