Pacijent u početku može odlično reagovati na terapiju, a zatim svedočiti naglom povratku bolesti. Lekari u tome vide strateški protivpotez samog tumora. Docent Matthew G. Jones deli svoje radno vreme između Odseka za biologiju, Koch instituta za integrativna istraživanja kancera i Instituta za medicinsko inženjerstvo i nauku. On nastoji da predvidi te poteze pre nego što se oni dogode.

Džounsova laboratorija fokusira se na „prečicu“ koju koriste mnogi agresivni kanceri: ekstrahromozomska DNK (ecDNA). Istraživači su prvi put primetili ecDNA još šezdesetih godina prošlog veka, ali je tada odbačena kao retka pojava. Uspon sekvenciranja nove generacije tokom 2010-ih potpuno je preokrenuo to gledište, otkrivajući da približno 25% kancera, posebno smrtonosni tumori mozga, pluća i jajnika, nose ove kružne fragmente DNK. Pošto se ecDNA nalazi izvan regularnih hromozoma, može se brzo replikovati, pojačati onkogene i omogućiti tumorima brz put do otpornosti na lekove.

„Tumori poseduju unutrašnju logiku koja se neprestano menja“, kaže Džouns. „Čak i usred haosa, oni teže da prate obrasce koji se ponavljaju kroz prostor i vreme.“ Kako bi identifikovao te obrasce, njegov tim kombinuje dva vrhunska alata:

• Praćenje loze pojedinačnih ćelija – Obeležavanje ćelija omogućava istraživačima da rekonstruišu porodično stablo tumora i uoče tačan trenutak kada se opasna mutacija prvi put pojavljuje.
• Mašinsko učenje i AI – Napredni algoritmi obrađuju informacije o lozi, opštu genomiku, epigenomiku i podatke o mikrookruženju kako bi kreirali modele koji predviđaju pravac dalje evolucije tumora.

„Želim da kategorišem pacijente koji će verovatno reagovati na specifične lekove, predvidim rezistenciju i ukažem na nove terapijske ciljeve“, kaže Džouns. „To podseća na partiju šaha u kojoj znate protivnikove moguće poteze pre nego što ih on povuče.“

Ovaj pristup evoluciji tumora zasnovan na teoriji igara nije samo metafora. Nedavni radovi pokazuju da hibridni modeli, koji spajaju mehanističke uvide sa statističkim učenjem, mogu preciznije predvideti puteve rasta tumora i odgovor na lekove (Nature, jan. 2026).

Prednost MIT-a: Besprekoran spoj inženjerstva i biologije

Džouns je izabrao MIT jer istraživačka kultura doslovno deli istu zgradu. „Moja laboratorija za kompjutersko modelovanje nalazi se odmah pored eksperimentalne laboratorije na Koch institutu“, kaže on, „tako da modelovanje i eksperimentalna validacija neprestano komuniciraju, umesto da modelovanje bude tek naknadni korak.“ Ovakvo uređenje odražava širi cilj instituta: obuku naučnika koji podjednako dobro vladaju i kodom i hemijom.

Osim samog rada u laboratoriji, Džouns želi da kroz mentorstvo podrži sledeći talas „hibridnih“ istraživača. On naglašava da je akademski rad, za razliku od pojedinih industrijskih laboratorija, u suštini služba zajednici koja nudi otvorene alate, podatke i obuku koji mogu ubrzati napredak celokupne onkološke zajednice.

Pogled u budućnost: Od predviđanja do brige o pacijentima

Iako prediktivni modeli i dalje zahtevaju fino podešavanje, rani rezultati deluju obećavajuće. U pilot studijama, algoritmi su otkrili mutacije vođene ecDNA fragmentima nedeljama pre nego što je standardno sekvenciranje moglo da ih uoči. Ako se ovi obrasci potvrde na većim grupama, lekari bi mogli da prilagođavaju planove lečenja gotovo u realnom vremenu, ostajući korak ispred rezistencije.

Izazovi i dalje postoje. Detekcija ecDNA zahteva visokokvalitetne podatke o pojedinačnim ćelijama, što može biti skupo i tehnički zahtevno. Pretvaranje kompjuterske prognoze u kliničku odluku takođe će zahtevati rigoroznu validaciju, regulatorna odobrenja i efikasnu integraciju u postojeće onkološke procese.

„Tek smo na početku onoga što je moguće“, primećuje Džouns. „Ako uspemo, uticaj na pacijente bi mogao biti ogroman, jer bismo model neizbežne rezistencije pretvorili u putokaz za personalizovanu i adaptivnu terapiju.“