Stellenwert der Bioinformatik für die personalisierte Medizin

  • T. Lengauer
Leitthema
  • 579 Downloads

Zusammenfassung

Die Medizin befindet sich derzeit in einer Umbruchphase. In zunehmendem Maße werden umfangreiche molekularbiologischen Daten über den Patienten in die Diagnose und Therapie mit einbezogen. Grundlage hierfür sind molekularmedizinische Entwicklungen von neuartigen Medikamenten und dazugehörender Begleitdiagnostik, die dem Zweck dient, in einem Vorabtest sicherzustellen, dass das Medikament für den Patienten einen Therapieerfolg verspricht. Medikamente werden nach diesem Konzept häufig in Kombination vergeben. Die Patientengruppen, für die eine gegebene aus vielen möglichen Therapien anzuwenden ist, sind damit eng begrenzt. Die Beziehung zwischen den molekularbiologisch erhobenen Daten über den Patienten und ihrem Krankheitsphänotyp sind dabei vielschichtig und manuell nicht zu ergründen. Hier spielt die computergestützte Bioinformatik eine zentrale Rolle als Interpretationsinstanz der molekularen Daten und Vorschlagsinstrument für den behandelnden Arzt. Die Bioinformatik begleitet hier sowohl die Grundlagenforschung, die neue Diagnose- und Therapiekonzepte entwickelt, als auch die klinische Anwendung, bei der diese Konzepte am Patienten umgesetzt werden. Der Artikel diskutiert die Rolle der Bioinformatik in beiden Bereichen, der Grundlagenforschung und der klinischen Anwendung. Er geht exemplarisch auf die Behandlung von HIV-Patienten ein, bei der die Bioinformatik-gestützte Therapiewahl bereits heute klinischer Alltag ist. Ein solches Therapiekonzept ist auch für andere Krankheiten, z. B. bei Krebs, in der Zukunft vorgezeichnet. Der Artikel schließt mit einigen Bemerkungen zu den gesamtgesellschaftlichen Voraussetzungen für einen auf dem Konzept der personalisierten Medizin basierenden medizinischen Fortschritt.

Schlüsselwörter

Bioinformatik Omics-Daten Statistisches Lernen Resistenztest HIV Krebs 

Importance of bioinformatics in personalised medicine

Abstract

Medicine is experiencing a period of change: Extensive molecular biological data on the patient are increasingly included in diagnosis and treatment. This trend is based on the development of targeted drugs and accompanying diagnostics, which serve the purpose of providing advance evidence that the medication promises therapy success for the patient. According to this concept drugs are often given in combination. The sizes of patient groups for which a given therapy out of many possible alternatives can be expected to be successful are quite limited. The relationship between the molecular data pertaining to a patient and their disease phenotype are complex and cannot be determined manually. Thus, computer-based bioinformatics methods play a central role in interpreting the molecular data and as an instrument for providing recommendations for the practicing physician. Bioinformatics is an essential component in basic research, in the development of new concepts for diagnosis and therapy as well as in clinical practice, in which these concepts are applied to treating patients. This article discusses the role of bioinformatics in both basic research and clinical practice. We present the example of treatment of HIV patients, for which bioinformatics-assisted therapy selection has already entered clinical practice. Such a therapy concept is also predestined for other diseases (e.g., cancer). The article concludes with remarks on the prerequisites for society as a whole for ensuring success of this concept of personalised medicine as a factor of medical progress.

Keywords

Bioinformatics Omics data Statistical learning Resistance test HIV Cancer 

Notes

Danksagung

Ich danke Christoph Bock, Peter Ebert, Olga Kalinina, Fabian Müller, Nico Pfeifer und Sven-Eric Schelhorn für wertvolle Hinweise zu diesem Manuskript.

Einhaltung ethischer Richtlinien

Interessenkonflikt. T. Lengauer und seine Abteilung kooperieren mit einer Firma im Bereich der Medizindiagnostik zum Thema des viralen Tropismus von HIV. Auf der Basis eines bezahlten Servicevertrages im Rahmen dieser Kooperation betreibt das Max-Planck-Institut für Informatik eine versionskontrollierte Implementierung von geno2pheno[coreceptor] mit gesichertem Zugang. Dieser Beitrag beinhaltet keine Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Hamburg MA, Collins FS (2010) The path to personalized medicine. N Engl J Med 363(4):301–304PubMedCrossRefGoogle Scholar
  2. 2.
    Chen R, Snyder M (2013) Promise of personalized omics to precision medicine. Wiley Interdiscip Rev Syst Biol Med 5(1):73–82PubMedCrossRefGoogle Scholar
  3. 3.
    Hansen J, Iyengar R (2013) Computation as the mechanistic bridge between precision medicine and systems therapeutics. Clin Pharmacol Ther 93(1):117–128PubMedCrossRefGoogle Scholar
  4. 4.
    Schilsky RL (2010) Personalized medicine in oncology: the future is now. Nat Rev Drug Discov 9(5):363–366PubMedCrossRefGoogle Scholar
  5. 5.
    Gatenby RA (2009) A change of strategy in the war on cancer. Nature 459(7246):508–509PubMedCrossRefGoogle Scholar
  6. 6.
    Ziegler A et al (2012) Personalized medicine using DNA biomarkers: a review. Hum Genet 131(10):1627–1638PubMedCrossRefGoogle Scholar
  7. 7.
    Cheng S, Koch WH, Wu L (2012) Co-development of a companion diagnostic for targeted cancer therapy. N Biotechnol 29(6):682–688PubMedCrossRefGoogle Scholar
  8. 8.
    Al-Lazikani B, Banerji U, Workman P (2012) Combinatorial drug therapy for cancer in the post-genomic era. Nat Biotechnol 30(7):679–692PubMedCrossRefGoogle Scholar
  9. 9.
    Lengauer T, Kaiser R (2009) Computerjagd auf das AIDSvirus. Spektrum Wissenschaft 2009(August):62–67Google Scholar
  10. 10.
    Bush WS, Moore JH (2012) Chapter 11: genome-wide association studies. PLoS Comput Biol 8(12):e1002822PubMedCrossRefGoogle Scholar
  11. 11.
    Rakyan VK et al (2011) Epigenome-wide association studies for common human diseases. Nat Rev Genet 12(8):529–541PubMedCrossRefGoogle Scholar
  12. 12.
    Shipley B (2008) Cause and correlation in biology: a user’s guide to path analysis, structural equations and causal inference. Cambridge University Press, CambridgeGoogle Scholar
  13. 13.
    Pearl J (2009) Causality: models, reasoning and inference, 2. Aufl. Cambridge University Press, CambridgeGoogle Scholar
  14. 14.
    Louie B et al (2007) Data integration and genomic medicine. J Biomed Inform 40(1):5–16PubMedCrossRefGoogle Scholar
  15. 15.
    Goble C, Stevens R (2008) State of the nation in data integration for bioinformatics. J Biomed Inform 41(5):687–693PubMedCrossRefGoogle Scholar
  16. 16.
    Kreutz C et al (2007) An error model for protein quantification. Bioinformatics 23(20):2747–2753PubMedCrossRefGoogle Scholar
  17. 17.
    Weng L et al (2006) Rosetta error model for gene expression analysis. Bioinformatics 22(9):1111–1121PubMedCrossRefGoogle Scholar
  18. 18.
    Brazma A et al (2001) Minimum information about a microarray experiment (MIAME)-toward standards for microarray data. Nat Genet 29(4):365–371PubMedCrossRefGoogle Scholar
  19. 19.
    Quackenbush J (2009) Data reporting standards: making the things we use better. Genome Med 1(11):111PubMedCrossRefGoogle Scholar
  20. 20.
    Miller JR, Koren S, Sutton G (2010) Assembly algorithms for next-generation sequencing data. Genomics 95(6):315–327PubMedCrossRefGoogle Scholar
  21. 21.
    Simpson JT, Durbin R (2012) Efficient de novo assembly of large genomes using compressed data structures. Genome Res 22(3):549–556PubMedCrossRefGoogle Scholar
  22. 22.
    Jones DC et al (2012) Compression of next-generation sequencing reads aided by highly efficient de novo assembly. Nucleic Acids Res 40(22):e171PubMedCrossRefGoogle Scholar
  23. 23.
    Hochheiser H, Eliceiri KW, Goldberg IG (2007) Visualization of biological data. In: Lengauer T (Hrsg), Bioinformatics – from genomes to therapies. Wiley-VCH, Weinheim, S 1573–1626Google Scholar
  24. 24.
    Frentz D et al (2010) Comparison of HIV-1 genotypic resistance test interpretation systems in predicting virological outcomes over time. PLoS ONE 5(7):e11505PubMedCrossRefGoogle Scholar
  25. 25.
    Walter H et al (1999) Rapid, phenotypic HIV-1 drug sensitivity assay for protease and reverse transcriptase inhibitors. J Clin Virol 13(1–2):71–80Google Scholar
  26. 26.
    Coakley E et al (2009) Comparison of human immunodeficiency virus type 1 tropism profiles in clinical samples by the Trofile and MT-2 assays. Antimicrob Agents Chemother 53(11):4686–4693PubMedCrossRefGoogle Scholar
  27. 27.
    Johnson VA et al (2011) 2011 update of the drug resistance mutations in HIV-1. Top Antivir Med 19(4):156–164PubMedGoogle Scholar
  28. 28.
    Van Laethem K et al (2002) A genotypic drug resistance interpretation algorithm that significantly predicts therapy response in HIV-1-infected patients. Antivir Ther 7(2):123–129Google Scholar
  29. 29.
    Meynard JL et al (2002) Phenotypic or genotypic resistance testing for choosing antiretroviral therapy after treatment failure: a randomized trial. Aids 16(5):727–736PubMedCrossRefGoogle Scholar
  30. 30.
    Rhee SY et al (2003) Human immunodeficiency virus reverse transcriptase and protease sequence database. Nucleic Acids Res 31(1):298–303PubMedCrossRefGoogle Scholar
  31. 31.
    Lengauer T, Sing T (2006) Bioinformatics-assisted anti-HIV therapy. Nat Rev Microbiol 4(10):790–797PubMedCrossRefGoogle Scholar
  32. 32.
    Lengauer T et al (2007) Bioinformatics prediction of HIV coreceptor usage. Nat Biotechnol 25(12):1407–1410PubMedCrossRefGoogle Scholar
  33. 33.
    Vandekerckhove L et al (2011) European guidelines on the clinical management of HIV-1 tropism testing. Lancet Infect Dis 11(5):394–407PubMedCrossRefGoogle Scholar
  34. 34.
    Verhofstede C et al (2011) Concordance between HIV-1 genotypic coreceptor tropism predictions based on plasma RNA and proviral DNA. HIV Med 12(9):544–552PubMedCrossRefGoogle Scholar
  35. 35.
    Altmann A et al (2009) Predicting the response to combination antiretroviral therapy: retrospective validation of geno2pheno-THEO on a large clinical database. J Infect Dis 199(7):999–1006PubMedCrossRefGoogle Scholar
  36. 36.
    Bock C, Lengauer T (2012) Managing drug resistance in cancer: lessons from HIV therapy. Nat Rev Cancer 12(7):494–501PubMedCrossRefGoogle Scholar
  37. 37.
    Glickman MS, Sawyers CL (2012) Converting cancer therapies into cures: lessons from infectious diseases. Cell 148(6):1089–1098PubMedCrossRefGoogle Scholar
  38. 38.
    Ocana A, Pandiella A (2010) Personalized therapies in the cancer „omics“ era. Mol Cancer 9:202PubMedCrossRefGoogle Scholar
  39. 39.
    Garay JP, Gray JW (2012) Omics and therapy – a basis for precision medicine. Mol Oncol 6(2):128–139PubMedCrossRefGoogle Scholar
  40. 40.
    Holsboer F (2008) How can we realize the promise of personalized antidepressant medicines? Nat Rev Neurosci 9(8):638–646PubMedCrossRefGoogle Scholar
  41. 41.
    Vawter MP, Mamdani F, Macciardi F (2011) An integrative functional genomics approach for discovering biomarkers in schizophrenia. Brief Funct Genomics 10(6):387–399PubMedCrossRefGoogle Scholar
  42. 42.
    Wiedemann K (2011) Biomarkers in development of psychotropic drugs. Dialogues Clin Neurosci 13(2):225–234PubMedGoogle Scholar
  43. 43.
    Schwarz E, Bahn S (2008) Biomarker discovery in psychiatric disorders. Electrophoresis 29(13):2884–2890PubMedGoogle Scholar
  44. 44.
    Lowe CR (2011) The future: biomarkers, biosensors, neuroinformatics, and e-neuropsychiatry. Int Rev Neurobiol 101:375–400PubMedCrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2013

Authors and Affiliations

  • T. Lengauer
    • 1
  1. 1.Max-Planck-Institut für InformatikSaarbrückenDeutschland

Personalised recommendations