פתוגנומיקה מבוססת גנים של אפופטוזה מיטוכונדריאלית לפרוגנוזה של סרטן השחלות

דרך חדשה לקרוא רמזים על סרטן

סרטן השחלה מקבל לעתים קרובות את הכינוי "הרוצח הדומם" מכיוון שבדרך כלל אינו מתגלה עד שהוא כבר התפשט, מה שמקשה על הטיפול וחיזוי מי יגיב טוב. המחקר מציע גישה חדשה: ללמד מחשבים לקרוא דפוסים נסתרים בתמונות מיקרוסקופיות של גידולים ולקשר אותם לאופן שבו תאי הגידול מקבלים החלטות על חיים ומוות. בכך שואפים החוקרים למיין מטופלים לקבוצות סיכון גבוה ונמוך בדיוק רב יותר מהשיטות הקיימות, ולחשוף נקודות תורפה שאפשר למקד בהן טיפולים חדשים.

בחינת עומק של תמונות הגידול

פתולוגים בדרך כלל מעריכים סרטן באמצעות הסתכלות על פרוסות רקמה מוהלות תחת מיקרוסקופ ותיאור מה שרואים. שיטה זו אמנם חזקה, אך סובלת מאופי סובייקטיבי וקושי לתפוס פרטים עדינים. הצוות במחקר השתמש בתמונות דיגיטליות של שקפים שלמים של גידולים בשחלה וחילק כל תמונה גדולה לריבוי אריחים קטנים. מערכת למידה עמוקה בשם ResNet50 סרקה את האריחים כדי לחלץ אלפי תכונות מתמטיות המתארות דפוסים בצורת התאים, במרקם ובסידור התאים והרקמות התומכות. במקביל, תוכנה ייעודית כמותה תכונות תמונה קלאסיות יותר, כמו גודל גרעין ומבנה הרקמה, כדי לבנות תמונה עשירה של המראה של כל גידול.

קישור בין תמונות לאותות מוות תאי

במקום להסתפק במראה החיצוני של הגידול, החוקרים קישרו את תכונות התמונה הללו למתג חיים‑מוות מרכזי בתוך התאים הידוע כאפופטוזה מיטוכונדריאלית. התהליך נשלט על ידי משפחת חלבונים שיכולים לדחוף תא פגוע להשמיד את עצמו או לסייע לו לעמוד בפני המוות — סיבה מרכזית לכך שחלק מהגידולים עמידים לכימותרפיה. באמצעות נתוני פעילות גנים ממאות דגימות סרטן שחלות, הצוות דירג עד כמה מסלול המוות המיטוכונדריאלי היה פעיל בכל מטופלת. הם שמרו רק את תכונות התמונה שנקשרו בבירור למסלול הזה, ובנו "גשר פתומיקס" בין המראה החיצוני של הגידול לבין החיווט הפנימי שלו.

בניית מדד סיכון למטופלות

מתוך אלפי מדידות ראשוניות צמצמו החוקרים את הקבוצה דרך מספר שכבות של סינון סטטיסטי ולמידת מכונה, והגיעו ל‑12 תכונות מרכזיות מבוססות תמונה שחזו היטב כמה זמן החולות שרדו. תכונות אלה הוצמדו למספר יחיד — ציון סיכון שהם מכנים מודל MAR‑PTL. המטופלות חולקו לקבוצות סיכון גבוה ונמוך על פי ציון זה. המודל הבחין נכונה בתוצאות גם בקבוצת אימון וגם בקבוצת מבחן נפרדת, והצטיין על פני מדדים קליניים סטנדרטיים כמו שלב המחלה והגיל. במילים אחרות, טביעות האצבע הוויזואליות הנסתרות של הגידול, לאחר שפוענחו, נשאו מידע רב‑עוצמה לגבי עתיד החולה.

חלבון מפתח לשרידות והשכונה שלו

בהעמקה נוספת, המחקר הדגיש גן אחד, BCL2L2, כשחקן מרכזי. גן זה מסייע לחסום את אפופטוזת המיטוכונדריה, ורמות גבוהות ממנו נקשרו להישרדות גרועה יותר. באופן מעניין, תכונות למידה עמוקה ספציפיות מתמונות הרקמה עלו או ירדו בקורלציה עם BCL2L2, מה שמרמז כי המחשב יכל "לראות" כיצד הבלם המולקולרי הזה על מוות תאי מעצב את ארכיטקטורת הגידול. ניתוח תאי‑יחיד, שבוחן אלפי תאים בודדים אחד‑אחד, הראה שתאי סרטן עשירים ב‑BCL2L2 היו בעלי מטבוליזם מאופיין באנרגיה ותקשרו בעוצמה עם תאי תמיכה סמוכים כגון סיבובונים (פיברובלסטים) ותאי אנדותל של כלי דם. אינטראקציות אלה נראו כיצירת שכונה מטפחת שעוזרת לגידולים לעמוד בלחצים ולהתפשט.

מה זה עשוי להצביע עבור מטופלות

בהתרכזות כללית, העבודה ממחישה שתמונות מיקרוסקופיות מכילות הרבה יותר ממה שנראה לעין. על‑ידי איחוד פתולוגיה דיגיטלית עם ידע על האופן שבו תאי הגידול בוחרים חיים או מוות, מודל MAR‑PTL מציע דרך חדה יותר לסמן מטופלות בסיכון הגבוה ביותר לסרטן השחלה. גילוי BCL2L2 כצומת מרכזית וקשריו ההדוקים גם למטבוליזם הגידול ולתאי התמיכה הסובבים מצביעים על רעיונות טיפוליים חדשים — למשל תרופות שמנטרלות את מתג ההישרדות הזה או פורעות את תקשורתו עם הרקמות הסמוכות. ממצאים אלה עדיין זקוקים לבדיקה במחקרים פרוספקטיביים וניסויים במעבדה, אך הם מסמנים דרך לעבר טיפול מותאם אישית יותר ולהגדלת הסיכויים לנשים המתמודדות עם מחלה מאתגרת זו.

ציטוט: Qin, Lh., Huang, X., Yang, C. et al. Mitochondrial apoptosis gene-based pathomics for ovarian cancer prognosis. Sci Rep 16, 13231 (2026). https://doi.org/10.1038/s41598-026-40121-5

מילות מפתח: סרטן השחלה, פתולוגיה דיגיטלית, למידה עמוקה, אפופטוזה מיטוכונדריאלית, מיקרו‑סביבה של הגידול