Identificazione di profili trascrizionali nella Leucemia Mieloide Acuta mediante microarray su frazioni di staminali ematopoietiche

Per la tipologia di tumore presa in esame in questa proposta progettuale, caratterizzata da un elevato impatto a livello sociale, diversi studi forniscono informazioni sui profili molecolari, tuttavia essi non sono ancora entrati nella pratica clinica per diverse ragioni. Una di queste include il fatto che i microarrays contengono un elevato numero di geni, molti dei quali possono essere scarsamente rilevanti da un punto di vista clinico. Il progetto si basa sullo studio di leucoblasti, prelevati da pazienti alla diagnosi, e sortati, mediante tecniche di selezione immunofenotipica, per la frazione staminale e affrontato con tecnologie post-genomiche (analisi del trascrittoma) attraverso lo studio di moduli funzionali (network biology). Ragionare in termini di moduli funzionali significa quindi conoscere tutti i geni coinvolti nella funzione, produrre delle liste controllate di geni, valutare i loro livelli di espressione nel sistema patologico in esame e correlarlo nei diversi contesti clinici mediante analisi differenziale. Strategia d¿intervento: 1) Realizzazione di una banca di blasti provenienti da pazienti affetti da Leucemia Mieloblastica Acuta e controlli sani, selezionati sulla base dell¿espressione di antigeni staminali (CD34, CD117, CD133), questo approccio è definito BAMP (background-matched population). 2) Analisi delle fluttuazioni trascrizionali sull'intero genoma espresso (GeneChip® U133 Plus 2.0 ) con particolare attenzione ai geni espressi durante il differenziamento mieloide (circa 7000), mediante microarray, piattaforma Affymetrix (disponibile presso la Divisione di Ematologia dell'ospedale Niguarda, Milano), e validazione in Real time PCR. 3) Analisi bioinformatica dei dati derivanti da DNA microarray: v Metodi statistici basati su statistiche univariate v Metodi di machine learning per la selezione delle feature. v Metodi per la ricerca di ¿sottotipi patologici¿ (clustering gerarchico, fuzzy-c-mean, ensemble clustering). v Ensemble supervisionati di learning machine. 4) Correlazione dei dati di trascrittoma nei vari contesti molecolari con l¿outcome clinico mediante studio di follow-up. La realizzazione del progetto consentirà una più accurata definizione diagnostica delle leucemie mieloidi acute e delle loro caratteristiche biologiche, elevando il livello di conoscenza scientifica di questa patologia, con tutte le ricadute in termini di accuratezza di approccio terapeutico mirato ed efficace che questo implica.