Комплексное машинное обучение выявляет сигнатуры аноики, предсказывающие устойчивость к терапии и выживаемость при раке желудка

Почему это исследование важно для пациентов

Рак желудка остается одним из самых смертоносных видов рака в мире, во многом потому, что многие опухоли перестают отвечать на химиотерапию и новые иммунотерапии. В этом исследовании поставлен простой, но ключевой вопрос: можно ли по молекулярным «приемам выживания» опухолевых клеток и их окружения предсказать, какие пациенты будут резистентны к лечению, а кто получит пользу? С помощью анализа тысяч генов и современных методов машинного обучения исследователи получили мощный скор, который может помочь врачам выбирать более эффективные персонализированные терапии для больных раком желудка.

Как опухолевые клетки избегают естественных механизмов самопроверки

У нормальных клеток заложена программа самоуничтожения, которая активируется, когда они теряют своё нормальное положение в ткани — процесс, называемый гибелью клеток, вызванной отрыво́м (detachment-induced cell death). Раковые клетки часто учатся уклоняться от этой участи, что позволяет им распространяться и давать метастазы. Авторы сосредоточились на генах, связанных с этой реакцией на отрыв, и на их связи с ответом опухолей на препараты. Используя 10 крупных открытых баз данных по раку желудка, они сопоставили наборы генов, связанные с гибелью клеток, чувствительностью или устойчивостью к химиотерапии и отзывчивостью на иммунотерапию. Из этого сложного пересечения они выделили 125 ключевых генов, которые одновременно отражают способность клеток избегать гибели при отрыве и их поведение при терапии; эти гены они назвали лекарственно-натурализованными генами аноики (drug-naturalized anoikis genes, DNAGs).

Два скрытых типа опухолей желудка

Когда команда сгруппировала более 800 опухолей желудка по активности DNAG, выявились два основных паттерна. Одна группа опухолей характеризовалась большим числом генетических мутаций и изменениями структуры хромосом, что может звучать тревожно, но на самом деле делает опухоль более заметной для иммунной системы. В таких опухолях было больше признаков активной иммунной атаки и присутствовали иммунные клетки, способные распознавать и атаковать рак. Вторая группа выглядела иначе: она встречалась чаще у более молодых пациентов и соответствовала определённому молекулярному подтипу, известному своей агрессивностью. Эти опухоли находились в сильносупрессивном окружении, доминируемом клетками стромы и другими компонентами, которые, как правило, защищают опухоль от иммунной атаки. Пациенты с этим вторым паттерном имели худший прогноз в целом.

Скор лечения, «читающий» поведение опухоли

Опираясь на эти паттерны, исследователи применили комбинации 101 подхода машинного обучения, чтобы сузить набор до 11 генов и создать «прогностическую сигнатуру, ориентированную на лечение» (treatment-oriented prognostic signature, TOPS). Этот скор разделяет пациентов на группы высокого и низкого риска. В нескольких независимых когортах пациенты с высоким TOPS последовательно имели более короткую выживаемость, более поздние стадии заболевания и типы опухолей, известные своей инвазивностью. В то же время опухоли с высоким TOPS реже отвечали и на химиотерапию, и на ингибиторы контрольных точек иммунитета, тогда как опухоли с низким TOPS демонстрировали лучшие ответы и более длительную выживаемость после иммунотерапии. Скор превосходил традиционные клинические характеристики, такие как возраст, пол и стадия, в прогнозировании исхода.

Что микроокружение опухоли говорит об устойчивости

Чтобы понять, почему скор работает, команда обратилась к секвенированию отдельных клеток, которое исследует отдельные клетки внутри опухолей. Они обнаружили, что опухоли с высоким TOPS были наполнены фибробластами — клетками, формирующими тканевый каркас — и определёнными эндотелиальными клетками сосудов, образуя плотную защитную оболочку вокруг раковых клеток. Внутри этой оболочки фибробласты шли по траектории созревания в подтип, который интенсивно взаимодействует с опухолевыми клетками и активирует пути, связанные с неоангиогенезом, изменённым метаболизмом и иммуносупрессией. Напротив, в опухолях с низким TOPS было больше Т-клеток, В-клеток и плазматических клеток, которые могут осуществлять эффективную иммунную ответную реакцию, и наблюдались шаблоны активности генов, свидетельствующие о нормальном метаболизме и поддержании ткани, а не о вторжении.

Что это может означать для будущего лечения

Для пациентов главный вывод исследования в том, что не все раки желудка одинаковы, даже если они похожи под микроскопом. Считав 11-генную сигнатуру, связанную с тем, как клетки справляются с отрывом, и как ведёт себя окружающая ткань, врачи однажды смогут точнее предсказывать, кто получит пользу от стандартной химиотерапии или иммунотерапии, а кому потребуются альтернативные или комбинированные стратегии, нацеленные также на поддерживающие клетки и сигналы в микроокружении опухоли. Хотя модель ещё нуждается в проверке в проспективных клинических испытаниях, она предлагает многообещающую дорожную карту к более персонализированному лечению рака желудка и повышению шансов пациентов, сталкивающихся с этим тяжёлым заболеванием.

Цитирование: Liu, F., Zhou, Y., Xie, Y. et al. Comprehensive machine learning identifies anoikis signatures predicting therapeutic resistance and survival in gastric cancer. Sci Rep 16, 11571 (2026). https://doi.org/10.1038/s41598-026-38996-5

Ключевые слова: рак желудка, устойчивость к лечению, микроокружение опухоли, ответ на иммунотерапию, биомаркеры машинного обучения