Ιατρική Συστημάτων

Abstract

Σε κάθε επίπεδο βιολογικής και κοινωνικής/περιβαλλοντικής οργάνωσης τείνουν να σχηματίζονται πολύπλοκα δίκτυα, τα οποία δημιουργούν περαιτέρω ποικιλομορφία στην εξέλιξη και την έκβαση των νόσων. Ο ανθρώπινος οργανισμός θεωρείται ένα δυναμικό δίκτυο μορίων, ιστών και οργάνων που αλληλεπιδρά διαδραστικά με κοινωνικά και περιβαλλοντικά δίκτυα. Αυτή η συνειδητοποίηση θέτει υπό αμφισβήτηση κραταιά δόγματα της μεταφραστικής έρευνας και της εξατομικευμένης ιατρικής. Για παράδειγμα, ακόμα και αν δύο ασθενείς εμφανίζουν παρόμοιο γενετικό υπόβαθρο, η προδιάθεση στην εμφάνιση νόσων, αλλά και η ανταπόκρισή τους σε θεραπείες μπορεί να διαφοροποιείται σημαντικά ανάλογα τόσο με συνολικά μοριακά τους προφίλ όσο και με το περιβάλλον στο οποίο ζουν. Ως αποτέλεσμα, για τη βελτίωση της αποτελεσματικότητας της στοχευμένης θεραπείας και της εξατομικευμένης αντιμετώπισης των ασθενών απαιτείται μια αλλαγή παραδείγματος τόσο στις ερευνητικές ροές εργασίας για τη διαλεύκανση του μοριακού υποβάθρου διαφόρων νόσων, όσο και στη διασύνδεση της ακαδημίας με άλλους φορείς που σχετίζονται με την υγειονομική περίθαλψη. Για τη διαχείριση αυτής της αναπάντεχης πολυπλοκότητας, επιστρατεύεται πλέον η Ιατρική Συστημάτων, η οποία βασίζεται στη συστημική βιολογία. Στο πλαίσιο της Ιατρικής Συστημάτων, η ακαδημία αναμένεται να διαδραματίσει καταλυτικό ρόλο μέσω της δημιουργίας δεδομένων, της ενοποίησης δεδομένων και της μοντελοποίησης. Στην παρούσα εργασία (α) παρουσιάζεται και αναλύεται η έννοια της Ιατρικής Συστημάτων, (β) αξιολογείται η συνεισφορά της ακαδημίας στην Ιατρική Συστημάτων και (γ) ως απόδειξη αρχής της συνεισφοράς των συστημικών μεθόδων στην κατανόηση των νόσων, αναπτύσσονται βιοπληροφορικές ροές εργασίας για την βελτίωση της θεραπευτικής στόχευσης των ασθενών με καρκίνο. Μετα-αναλύονται δεδομένα υψηλής απόδοσης και ενοποιούνται με ευρήματα βιβλιογραφικής έρευνας και αποτελέσματα εξόρυξης σε δημόσιες βάσεις δεδομένων, προκειμένου να κατασκευαστούν μοριακά δίκτυα miRNA/mRNA που ελέγχονται από το p73, το ομόλογο γονίδιο του p53, το οποίο διαθέτει ευνοϊκά αντικαρκινικά χαρακτηριστικά. Τα δίκτυα αυτά θα μπορούσαν να μεταφραστούν σε θεραπευτικές λύσεις για την αντιμετώπιση των επιθετικών σταδίων του καρκίνου.

Complex networks tend to form at every level of biological and social/environmental organization, which further individualize the course of diseases, even on the same molecular background. The human organism is considered as a dynamic network of molecules, tissues and organs which interacts with social and environmental networks. This realization has questioned robust dogmas of translational research and personalized medicine. For instance, even if two patients have a similar genetic background, they might have divergence in disease occurrence and response to therapy, depending on their comprehensive molecular profiles, as well as on their individual environment. Hence, the improvement of efficiency of targeted therapy and personalized patient management necessitates a paradigm shift not only in the research pipelines used to elucidate the molecular background underlying several diseases, but also in the interaction of academia with stakeholders involved in the healthcare. To handle this unforeseen complexity, Systems Medicine is now rising on the shoulders of Systems Biology. In the context of Systems Medicine, academia is anticipated to play a key role through data generation, integration and modeling. In this thesis (a) the concept of Systems Medicine is presented and thoroughly described, (b) the contribution of academia in Systems Medicine is evaluated, and (c) as a proof-of-principle of the contribution of systems biology methods in understanding diseases, bioinformatics analysis pipelines are developed towards improving therapeutic targeting of cancer patients. High throughput data are meta-analyzed and integrated with published experimental research findings and results of mining in publicly-available databases, in order to reconstruct miRNA/mRNA networks governed by p73, a p53 homologue, which poses advantageous anticancer characteristics. The resulting networks could be translated to therapeutic solutions for management of aggressive cancer stages.