Promotors:
Katleen De Preter (Ugent)
Project Partners:
Ugent
Budget uitgereikt door Kom op tegen Kanker:
€42.000
Samenvatting
De beschikbaarheid van immuun checkpoint inhibitors (ICIs) heeft
een grote impact op de overleving van longkankerpatiënten, hoewel
slechts 20 tot 30% een volledige respons vertoont. Aangezien de
huidige biomerkers niet accuraat zijn en invasieve technieken
vereisen, is er een hoge nood aan een predictieve bloed gebaseerde
test. Recent werd door verschillende papers aangetoond dat
specifieke immuuncel populatie verschillen gelinkt zijn met response.
Mijn doel is om een bloedtest te ontwikkelen die al deze immuuncel
signaturen meet op een eenvoudige en betaalbare manier en ICIrespons
te voorspellen met een machine learning gebaseerde
methode. Ik ga hiervoor twee parallelle methodes testen. De eerste
is gebaseerd op deconvolutie van het bloed transcriptoom. Om dit
betaalbaar te maken en te focussen op de relevante merkers ga ik
een capture RNA-sequencing of een RT-qPCR panel ontwikkelen.
Daarnaast, als een tweede onafhankelijke benadering, zal ik DNA
methylatie gebruiken om de immuunceltypes te extraheren uit de
bloedstalen. Om dit accuraat te kunnen doen, zal ik een robuuste
referentie dataset ontwikkelen door DNA methylatie analyse uit te
voeren op pure celpopulaties. Uiteindelijk zullen we ook deze
benaderingen vergelijken met de huidige biomerker, PD-L1
expressie. Deze vergelijking zal uitgevoerd worden op een
prospectieve staalcollectie. Een geslaagde test zal ICI-behandeling
omvormen tot iets gepersonaliseerd.
een grote impact op de overleving van longkankerpatiënten, hoewel
slechts 20 tot 30% een volledige respons vertoont. Aangezien de
huidige biomerkers niet accuraat zijn en invasieve technieken
vereisen, is er een hoge nood aan een predictieve bloed gebaseerde
test. Recent werd door verschillende papers aangetoond dat
specifieke immuuncel populatie verschillen gelinkt zijn met response.
Mijn doel is om een bloedtest te ontwikkelen die al deze immuuncel
signaturen meet op een eenvoudige en betaalbare manier en ICIrespons
te voorspellen met een machine learning gebaseerde
methode. Ik ga hiervoor twee parallelle methodes testen. De eerste
is gebaseerd op deconvolutie van het bloed transcriptoom. Om dit
betaalbaar te maken en te focussen op de relevante merkers ga ik
een capture RNA-sequencing of een RT-qPCR panel ontwikkelen.
Daarnaast, als een tweede onafhankelijke benadering, zal ik DNA
methylatie gebruiken om de immuunceltypes te extraheren uit de
bloedstalen. Om dit accuraat te kunnen doen, zal ik een robuuste
referentie dataset ontwikkelen door DNA methylatie analyse uit te
voeren op pure celpopulaties. Uiteindelijk zullen we ook deze
benaderingen vergelijken met de huidige biomerker, PD-L1
expressie. Deze vergelijking zal uitgevoerd worden op een
prospectieve staalcollectie. Een geslaagde test zal ICI-behandeling
omvormen tot iets gepersonaliseerd.