2023
Vývoj ex-vivo buněčných modelů pro studium heterogenity adenokarcinomu pankreatu
MORÁŇ, Lukáš, Viktorie GABRIELOVÁ, Vendula PELKOVÁ, Ivana AĆIMOVIĆ, Petr MORAVČÍK et. al.Základní údaje
Originální název
Vývoj ex-vivo buněčných modelů pro studium heterogenity adenokarcinomu pankreatu
Název česky
Vývoj ex-vivo buněčných modelů pro studium heterogenity adenokarcinomu pankreatu
Název anglicky
Development of ex vivo cell models for investigation of heterogeneity of pancreatic adenocarcinoma
Autoři
MORÁŇ, Lukáš (203 Česká republika, domácí), Viktorie GABRIELOVÁ (203 Česká republika, domácí), Vendula PELKOVÁ (203 Česká republika, domácí), Ivana AĆIMOVIĆ (688 Srbsko, domácí), Petr MORAVČÍK (203 Česká republika, domácí), Jakub VLAŽNÝ (203 Česká republika, domácí), Petra KOVAČOVICOVÁ (703 Slovensko, domácí), Michal EID (203 Česká republika, domácí), Zdeněk KALA (203 Česká republika, domácí) a Petr VAŇHARA (203 Česká republika, garant, domácí)
Vydání
XLVII. Brněnské onkologické dny. 1.-3. 11. 2023, 2023
Další údaje
Jazyk
čeština
Typ výsledku
Konferenční abstrakt
Obor
30204 Oncology
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Kód RIV
RIV/00216224:14110/23:00134688
Organizační jednotka
Lékařská fakulta
Klíčová slova česky
adenokarcinom pankreatu; ex-vivo buněčné modely
Klíčová slova anglicky
pancreatic adenocarcinoma; ex vivo cell models
Změněno: 22. 4. 2024 14:28, Mgr. Tereza Miškechová
V originále
Duktální adenokarcinom pankreatu (PDAC) je nejrozšířenějším typem karcinomu pankreatu a celosvětově se v četnosti řadí na 11. místo mezi nádorovými onemocněními. Závažnost onemocnění podtrhuje fakt, že křivka mortality téměř kopíruje křivku incidence. Zásadní komplikací nádorových onemocnění pankreatu je enormní schopnost diseminace, vysoká rezistence na léčbu a zároveň vysoká klinická heterogenita pacientů. Přes pokrok v léčebných možnostech je dlouhodobé přežívání pacientů minoritní a nepřekračuje jednotky procent. Proto hledáme nové individualizované modely onemocnění a alternativní molekulární cíle, které mohou ovlivnit efektivitu chemoterapie nebo přispět k predikci vývoje onemocnění. Jednou z možností, jak vhodně modelovat a studovat nádorové onemocnění na individuální úrovni, je izolace a expanze nádorových a s nádorem asociovaných buněk ze vzorku nádoru, a jejich kultivace v podmínkách vhodně mimikujících mikroprostředí nádoru. V současné době jsme ustanovili přes dvacet pacientských buněčných linií, u kterých jsme analyzovali odpověď buněk na stres asociovaný s poruchami proteosyntézy a integritou endoplazmatického retikula (ER). Molekulární mechanismus odpovídající na stres ER u různých nádorových onemocnění významně koreluje s klinickými parametry, a naše pilotní data indikují podobnou souvislost i u nádorů pankreatu. Zároveň pokročilé bioanalytické metody, např. hmotnostní spektrometrie intaktních buněk pomocí které jsme schopni zahrnout velké množství komplexních informaci o biologickém pozadí nádorů a na základě rozsáhlých datových souborů tato data zpracovat pomocí matematické analýzy. Takto získané vícerozměrné datové sady navíc obsahují specifické vzory, které lze zpracovat a analyzovat pomocí strojového učení a umělé inteligence. Dosud získaná data potvrzují, že buněčné linie pacientů s PDAC se molekulárně i biologicky liší, a bionalytická (spektrální) data obsahují dostatečné informace k rozlišení mezi různými patologickými typy PDAC. Využití individuálních ex vivo buněčných modelů, pochopení specifických mechanismů buněčné stresové reakce a identifikace specifických spektrálních vzorů může pomoci v předpovědi progrese onemocnění, ale také možné rezistenci vůči zvolené terapii. Podpořeno z programového projektu Ministerstva zdravotnictví ČR s reg. č. NU23-08-00241. Veškerá práva podle předpisů na ochranu duševního vlastnictví jsou vyhrazena.
Anglicky
Pancreatic ductal adenocarcinoma (PDAC) is the most common type of pancreatic cancer and ranks 11th among cancers worldwide. The severity of the disease is underlined by the fact that the mortality curve almost follows the incidence curve. A major complication of pancreatic cancer is the enormous capacity for dissemination, the high resistance to treatment and the high clinical heterogeneity of patients. Despite advances in therapeutic options, long-term survival of patients is minor and does not exceed one percent. Therefore, we are looking for new individualized disease models and alternative molecular targets that may influence the efficacy of chemotherapy or contribute to the prediction of disease progression. One way to appropriately model and study cancer at the individual level is to isolate and expand tumor and tumor-associated cells from a tumor sample, and culture them under conditions that appropriately mimic the tumor microenvironment. We have now established over twenty patient cell lines in which we have analyzed the cellular response to stress associated with defects in protein synthesis and endoplasmic reticulum (ER) integrity. The molecular mechanism responding to ER stress in various cancers correlates significantly with clinical parameters, and our pilot data indicate a similar association in pancreatic cancer. At the same time, advanced bioanalytical methods, such as intact cell mass spectrometry, have been used to incorporate a large amount of complex information about the biological background of tumors, and mathematical analyses have been performed on large datasets to process these data. Moreover, the multidimensional datasets thus obtained contain specific patterns that can be processed and analyzed using machine learning and artificial intelligence. The data obtained so far confirm that cell lines of PDAC patients differ molecularly and biologically, and the bionanalytic (spectral) data contain sufficient information to distinguish between different pathological types of PDAC. The use of individual ex vivo cell models, understanding specific mechanisms of cellular stress response and identification of specific spectral patterns can help in predicting disease progression, but also possible resistance to selected therapies.
Návaznosti
| NU23-08-00241, projekt VaV |
|