T-ALL જોખમ સ્તરીકરણમાં પ્રગતિ: NGS-આધારિત વર્ગીકરણ ઉચ્ચ-જોખમવાળા પેટાજૂથોને ઓળખે છે

માં પ્રકાશિત થયેલા એક પ્રગતિશીલ અભ્યાસમાં લોહી, સંશોધકોએ ટી-સેલ એક્યુટ લિમ્ફોબ્લાસ્ટિક લ્યુકેમિયા (T-ALL) ના જોખમ સ્તરીકરણને સુધારવા માટે નેક્સ્ટ-જનરેશન સિક્વન્સિંગ (NGS) નો ઉપયોગ કર્યો છે. આ ઉન્નત વર્ગીકરણ પ્રણાલી દર્દીના પરિણામોની આગાહી કરવા અને ઉચ્ચ-જોખમવાળા પેટાજૂથોને ઓળખવા માટે વધુ ચોક્કસ રીત પ્રદાન કરે છે, જે સંભવિત રીતે વધુ વ્યક્તિગત સારવાર વ્યૂહરચનાઓનો માર્ગ ખોલે છે.

આ અભ્યાસ, જેમાં GRAALL-2003/2005 ટ્રાયલમાંથી 198 પુખ્ત T-ALL દર્દીઓ અને FRALLE2000T ટ્રાયલમાંથી 242 બાળ T-ALL દર્દીઓનો સમાવેશ થતો હતો, તેમાં 72 કેન્સર-સંબંધિત જનીનોની તપાસ કરવા માટે લક્ષિત સંપૂર્ણ-એક્સોમ સિક્વન્સિંગનો ઉપયોગ કરવામાં આવ્યો હતો. તારણોમાં, NOTCH1 પરિવર્તન પુખ્ત વયના લોકોમાં સૌથી વધુ પ્રચલિત હતું, જે 77% કેસોમાં હાજર હતું, ત્યારબાદ CDKN2A પરિવર્તન (66%) અને PHF6 પરિવર્તન (50%) હતા. આ વિગતવાર આનુવંશિક પ્રોફાઇલિંગે સંશોધકોને દર્દીઓને ઉચ્ચ-જોખમ અને ઓછા-જોખમ શ્રેણીઓમાં વર્ગીકૃત કરવામાં સક્ષમ બનાવ્યા, જેનાથી તેમના પૂર્વસૂચન માટે નોંધપાત્ર અસરો થઈ.

એક નવીન NGS-આધારિત વર્ગીકરણ પ્રણાલી વિકસાવવામાં આવી હતી, જેણે અગાઉની પદ્ધતિઓની તુલનામાં સંચિત રિલેપ્સ દર, એકંદર અસ્તિત્વ અને રોગ-મુક્ત અસ્તિત્વ માટે શ્રેષ્ઠ આગાહી ક્ષમતાઓ દર્શાવી હતી. અભ્યાસમાં ઓછા જોખમવાળા દર્દીઓને ચોક્કસ પરિવર્તનો (દા.ત., NOTCH1/FBXW7, PHF6, EP300) ધરાવતા દર્દીઓ તરીકે ઓળખવામાં આવ્યા હતા જેમાં વધારાના ઉચ્ચ-જોખમ ફેરફારો (દા.ત., PI3K પાથવેમાં પરિવર્તન, TP53, અને IDH1/2) નહોતા. આ દર્દીઓનો 5-વર્ષનો સંચિત રિલેપ્સ દર (CIR) 21% હતો, જ્યારે ઉચ્ચ-જોખમ શ્રેણીમાં રહેલા દર્દીઓએ 47% ના ઘણા ઊંચા CIRનો સામનો કર્યો હતો.

વધુમાં, શ્વેત રક્તકણો (WBC) ગણતરી અને ન્યૂનતમ અવશેષ રોગ (MRD) સ્તર જેવા ક્લિનિકલ પરિબળો સાથે NGS તારણોને એકીકૃત કરવાથી એક શુદ્ધ જોખમ મોડેલ બન્યું જેણે દર્દીઓને ત્રણ જૂથોમાં વર્ગીકૃત કર્યા: ઉચ્ચ-જોખમ, મધ્યવર્તી-જોખમ અને ઓછું જોખમ. આ મોડેલ એવા દર્દીઓને અલગ પાડવામાં ખૂબ અસરકારક સાબિત થયું કે જેઓ વધુ આક્રમક સારવારથી લાભ મેળવી શકે છે, ખાસ કરીને ઉચ્ચ-જોખમ આનુવંશિક પ્રોફાઇલ ધરાવતા દર્દીઓ.

અભ્યાસના તારણો પુખ્ત વયના અને બાળરોગ T-ALL દર્દીઓ બંને માટે પૂર્વસૂચન આગાહીઓને સુધારવા અને સારવાર આયોજનમાં સુધારો કરવા માટે NGS ની સંભાવનાને રેખાંકિત કરે છે. ક્લિનિકલ ડેટા સાથે આનુવંશિક આંતરદૃષ્ટિને જોડીને, ક્લિનિશિયનો એવા દર્દીઓને વધુ સારી રીતે ઓળખી શકે છે જેમને PI3K અવરોધકો અને પસંદગીયુક્ત IDH1/IDH2 અવરોધકો જેવા ઉભરતા લક્ષિત ઉપચારોથી લાભ થઈ શકે છે.

જેમ જેમ અભ્યાસ વ્યક્તિગત સારવાર વ્યૂહરચનાઓનો માર્ગ મોકળો કરે છે, તેમ તેમ તેo વિવિધ વંશીય જૂથોમાં અને આધુનિક સારવાર પદ્ધતિઓ સાથે આ વર્ગીકરણની લાગુ પડવાની ક્ષમતા વિશે મહત્વપૂર્ણ પ્રશ્નો ઉભા કરે છે. જ્યારે NGS-આધારિત સ્તરીકરણ આશાસ્પદ છે, ત્યારે વિવિધ વસ્તીમાં તેની અસરકારકતાને માન્ય કરવા અને રિફ્રેક્ટરી T-ALL જેવા પડકારજનક કેસો માટે અભિગમને સુધારવા માટે વધુ સંશોધનની જરૂર છે.