Pod pojmom „genetizácia“ medicíny vo všeobecnosti sa dá predstaviť, aspoň ja si predstavujem, využívanie rôznych genetických analýz zameraných na jeden gén s cieľom stanovenia klinickej diagnózy, prípadne následne aj na výber vhodnej liečby pre individuálnych pacientov. Uznávam, že by sme mohli polemizovať o tom, či proces postupnej genetizácie medicíny za posledné desaťročia naozaj úspešne prebehol aj u nás na Slovensku, z hľadiska dnešného príspevku mi však dovoľte predpokladať, že áno. Naproti tomu „genomizácia“ medicíny, t. j. využívanie komplexných genomických analýz a hodnotenie celkových genomických informácií na stanovenie klinickej diagnózy a na výber vhodnej liečby a terapie, je zatiaľ v začiatkoch svojho rozmachu, a to nielen u nás, ale dá sa povedať aj na celom svete, pričom jeho prísľuby sú celkom zaujímavé(4). Základným princípom personalizovanej (individualizovanej) medicíny je pritom nielen filozofické, ale aj biologické poznanie, že každý jedinec/pacient je individuálnym fenotypom. Hlavným cieľom „genomickej medicíny“ (personalizovanej medicíny vychádzajúcej z genomických informácií) budúcnosti by pritom mala byť transformácia celkovej genomickej informácie na komplexnú fenotypovú informáciu s cieľom revolucionalizácie nielen diagnostiky, predikcie a prevencie, ale aj terapeutických postupov zdravotnej starostlivosti.

Je viac-menej jednoznačné, že pri súčasných technológiách generovanie samotných genomických dát vo forme čistých sekvencií DNA nepredstavuje praktický problém, a to už ani pre celogenómové rozmery(6). Priradenie určitej informačnej hodnoty a ich transformácia do priamej klinickej starostlivosti založenej na individuálnych predpokladoch/potrebách pacientov však stále predstavuje nemalú výzvu. Pri použití DNA sekvenovania, či už pomocou prvej generácie, alebo niektorej masívne paralelnej verzie, je výstupom analýzy zoznam nukleotidov tvoriacich genóm analyzovaného jedinca, a to ako čistá sekvencia alebo ako zoznam pozícií, ktoré sa líšia od použitej referenčnej sekvencie. Anotácia týchto variantov je pritom závislá od dostupnosti špecifických informácií, obsiahnutých v rôznych databázach, napr. v databáze ochorení, databáze všeobecnej variability genetického materiálu alebo aj databáze patogénnych variácií, prípadne priamo vo vedeckých publikáciách.

V kontexte variantov s veľkým klinickým efektom, čiže napr. v kontexte ochorení klasicky považovaných za monogénové, sa čoraz častejšie stane, že takáto analýza odhalí sekvenčné varianty so známym klinickým efektom. Dá sa teda povedať, že momentálne sa nachádzame vo fáze, v ktorej

existuje teoretická a technická možnosť využiť „genomické analýzy“ na efektívnejšie dosiahnutie „genetických diagnóz“, čiže diagnóz, ktoré sa stanovia na základe identifikácie genetického variantu s veľkým efektom v jedinom géne. Výhoda genomického prístupu v tomto kontexte pritom spočíva  v tom, že pri geneticky heterogénnych alebo pri extrémne zriedkavých ochoreniach by bola identifikácia a charakterizácia správneho génu „klasickými“ postupmi zdĺhavá, prácna a finančne pomerne náročná. Pri takomto prístupe sa varianty s menším efektom, ktoré však prispievajú k výslednému fenotypu, zatiaľ najčastejšie strácajú v informačnom šume. Ak aj upustíme od futuristickej predstavy naozaj komplexnej povahy možných budúcich genomických prístupov, v súčasnosti predstavuje mnohokrát problém aj základná interpretácia dát, keďže nielen pri celogenómovom, ale aj pri panelovom sekvenovaní na úrovni celých exómov alebo menších súborov génov sa stretávame s každodenným problémom identifikácie variantov, z ktorých sa vzhľadom na chýbajúce informácie významná časť klasifikuje ako varianty s neznámou klinickou signifikanciou.

Implementácia personalizovanej medicíny vychádzajúcej z genomických informácií má teda svoje úskalia, ani nie tak technického, ale skôr interpretačného a translačného charakteru. Nemôžeme však zabudnúť na to, že gény poskytujú „len“ inštrukcie pre biologické procesy alebo štruktúry, ktoré sú však zabezpečené proteínmi. Tie umožňujú realizovať dané inštrukcie, pričom ako medzikrok medzi inštrukciami  a realizátormi sa vyskytujú molekuly RNA. A práve pre veľký význam molekúl RNA a proteínov, extrémny rozvoj moderných technológií umožnil pokroky analýzy aj týchto biomakromolekúl, a to tiež na omických úrovniach. Masívne paralelné sekvenovanie okrem priameho DNA sekvenovania umožňuje napr. analýzy kompletných transkriptómov. Na druhej strane, kompletne iná, avšak nemenej významná technológia založená na hmotnostnej spektrometrii zabezpečila bezprecedentný rozvoj technológií umožňujúcich štúdium štruktúry a funkcie komplexných proteómov, tak na úrovni ich primárnej štruktúry, ako napr. aj ich posttranslačných modifikácií zahrňujúcich fosforyláciu, ubikvitináciu, glykozyláciu atď.(1). Identifikácia peptidov z generovaných profilov je však pomerne náročná úloha, vyžadujúca veľmi dobre definovanú databázu proteínových sekvencií, pričom kombinácia tejto analýzy s transkriptómovou predstavuje prístup s veľkým potenciálom nielen z dôvodu ľahšej identifikácie peptidov, ale napr. aj pre extrémne dynamickú povahu transkriptómu a proteómu.

                                                                                              Novinky, názory a pohľady

Výsledkom úzkeho biologického prepojenia a technologických vymožeností, jedným z možných riešení rozšírenia informácií týkajúcich sa efektu neznámych DNA variantov je tzv. hĺbková alebo molekulárna fenotypizácia, sledujúca napr. expresiu génov, ideálne na úrovni RNA aj na úrovni proteínov(5). Ako sme už spomenuli, moderné metodiky masívne paralelného sekvenovania a hmotnostnej spektrometrie umožňujú v súčasnosti študovať expresiu na omických úrovniach, čiže vo forme celogenómových, celotranskriptómových a celoproteómových analýz. To poskytuje nemalú výhodu v prípadoch, keď vopred nepoznáme cieľ nášho záujmu. Následné kombinatorické hodnotenie dát generovaných omickými analýzami uvedených úrovní sa dá nazvať „multiomickou trianguláciou“, ktorá umožňuje dáta navzájom komplementovať a následne lepšie a presnejšie interpretovať. Prirodzene ani takýto multiomický triangulačný prístup nezaručí definitívne odpovede vo všetkých možných hypotetických  a praktických prípadoch a stále budú identifikované aj ťažko interpretovateľné nálezy. Je však určitá pravdepodobnosť, že tieto prípady sa stanú čoraz minoritnejšími, najmä v porovnaní s prístupom čisto genomických analýz. Vysokokapacitné omické analýzy sa prirodzene dajú rozširovať aj mimo úrovne opísaných troch systémov, napr. vo forme analýz epigenómu, epitranskriptómu, mikrobiómu (metagenómu), metabolómu, interaktómu, expozómu a mnohých iných „ómov“, z ktorých všetky majú potenciál pridať molekulárne informácie týkajúce sa konkrétneho objektu záujmu(2).

Okrem dočasného problému spracovania a ukladania extrémneho množstva generovaných dát(3) načrtnutý postup má prirodzene určité limitácie. Jednou z nich je extrémne dynamická povaha expresných profilov. Na rozdiel od pomerne statického genómu, ktorý nemá veľkú tendenciu meniť sa počas života jedinca (s výnimkou roztrúsených somatických variantov a určitých špecifických ochorení, ako je napr. rakovina alebo ochorenia spojené s nestabilitou a expanziou repetitívnych elementov), expresné profily majú výraznú tendenciu meniť sa napr. fyzickou aktivitou, chorobou alebo aj rôznymi biologickými cyklami(5). Hlavnou a zatiaľ pretrvávajúcou limitáciou načrtnutého postupu však stále zostáva dostupnosť biologického materiálu na vykonanie potrebných analýz. Genomické dáta, najmä týkajúce sa zdedenej variability, sú totiž obsiahnuté v každej našej bunke (s výnimkou červených krviniek), a tak sú pomerne ľahko dostupné pre sekvenačné analýzy. Transkriptómové aj proteómové analýzy však na rozdiel od základných genomických vyžadujú dostupnosť postihnutého tkaniva, kde sa má exprimovať daný postihnutý gén, v ktorom chceme zmenu identifikovať, limitujúc tak do určitej miery, aplikovateľnosť uvedeného postupu. Či sa tento problém bude dať preklenúť v budúcnosti analýzou cirkulujúcich biomarkerov, prípadne v ktorých konkrétnych ochoreniach, je zatiaľ otvorená otázka.

REFERENCIE

1. Aebersold R, Mann Mass-spectrometric exploration of proteome structure and function. Nature 2016; 537(7620): 347-355.
2. Butte AJ. Big data opens a window onto wellness. Nat Biotechnol 2017; 35(8): 720-721.
3. Eisenstein The power of petabytes, Nature 2015; 527(7576): Suppl. S12-S13.
4. Green ED, Rubin EM, Olson The future of DNA sequencing. Nature 2017; 550(7675): 179-181.
5. Savage Proteomics: High-protein research. Nature 2015; 527(7576): Suppl. S6-S7.
6. Scott AR. Read the insructions. Nature 2016; 537(7619): Suppl. S54-S56.