Leave Your Message

Submit An Free Inquiry

Our medical team will make an evaluation for you, based on the information you provided. This procedure is free of charge.

AI Helps Write
AI Helps Write

ଟି-ଅଲ୍ ବିପଦ ସ୍ତରୀକରଣରେ ଉନ୍ନତି: ଏନଜିଏସ୍-ଆଧାରିତ ବର୍ଗୀକରଣ ଉଚ୍ଚ-ବିପଦ ଉପଗୋଷ୍ଠୀଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରେ

୨୦୨୫-୦୧-୦୩

ରେ ପ୍ରକାଶିତ ଏକ ଯୁଗାନ୍ତକାରୀ ଅଧ୍ୟୟନରେ ରକ୍ତ, ଗବେଷକମାନେ ଟି-ସେଲ୍ ଆକ୍ୟୁଟ୍ ଲିମ୍ଫୋବ୍ଲାଷ୍ଟିକ୍ ଲ୍ୟୁକେମିଆ (T-ALL) ର ବିପଦ ସ୍ତରୀକରଣକୁ ଉନ୍ନତ କରିବା ପାଇଁ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ସିକୋଇନ୍ସିଂ (NGS) ବ୍ୟବହାର କରିଛନ୍ତି। ଏହି ଉନ୍ନତ ବର୍ଗୀକରଣ ବ୍ୟବସ୍ଥା ରୋଗୀ ଫଳାଫଳ ପୂର୍ବାନୁମାନ କରିବା ଏବଂ ଉଚ୍ଚ-ବିପଦ ଉପଗୋଷ୍ଠୀଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ଅଧିକ ସଠିକ୍ ଉପାୟ ପ୍ରଦାନ କରେ, ଯାହା ସମ୍ଭାବ୍ୟ ଭାବରେ ଅଧିକ ବ୍ୟକ୍ତିଗତ ଚିକିତ୍ସା ରଣନୀତି ପାଇଁ ଦ୍ୱାର ଖୋଲିଥାଏ।

 

୧.୩.୧.୧.ୱେବ୍‌ପି

ଏହି ଅଧ୍ୟୟନ, ଯେଉଁଥିରେ GRAALL-2003/2005 ପରୀକ୍ଷଣରୁ 198 ଜଣ ବୟସ୍କ T-ALL ରୋଗୀ ଏବଂ FRALLE2000T ପରୀକ୍ଷଣରୁ 242 ଜଣ ଶିଶୁ T-ALL ରୋଗୀଙ୍କୁ ସାମିଲ କରାଯାଇଥିଲା, 72ଟି କର୍କଟ-ସମ୍ବନ୍ଧୀୟ ଜିନ୍ ପରୀକ୍ଷା କରିବା ପାଇଁ ଲକ୍ଷ୍ୟଭୁକ୍ତ ସମଗ୍ର-ଏକ୍ସୋମ୍ କ୍ରମ ବ୍ୟବହାର କରାଯାଇଥିଲା। ଫଳାଫଳଗୁଡ଼ିକ ମଧ୍ୟରେ, NOTCH1 ମ୍ୟୁଟେସନ୍ ବୟସ୍କମାନଙ୍କ ମଧ୍ୟରେ ସର୍ବାଧିକ ପ୍ରଚଳିତ ଥିଲା, 77% ମାମଲାରେ ଉପସ୍ଥିତ ଥିଲା, ତା’ପରେ CDKN2A ମ୍ୟୁଟେସନ୍ (66%) ଏବଂ PHF6 ମ୍ୟୁଟେସନ୍ (50%) ଥିଲା। ଏହି ବିସ୍ତୃତ ଜେନେଟିକ୍ ପ୍ରୋଫାଇଲିଂ ଗବେଷକମାନଙ୍କୁ ରୋଗୀମାନଙ୍କୁ ଉଚ୍ଚ-ବିପଦ ଏବଂ କମ୍-ବିପଦ ବର୍ଗରେ ବର୍ଗୀକୃତ କରିବାକୁ ସକ୍ଷମ କରିଥିଲା, ଯାହାର ପୂର୍ବାନୁମାନ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଭାବ ପକାଇଥିଲା।

 

ଏକ ନୂତନ NGS-ଆଧାରିତ ବର୍ଗୀକରଣ ପ୍ରଣାଳୀ ବିକଶିତ ହୋଇଥିଲା, ଯାହା ପୂର୍ବ ପଦ୍ଧତି ତୁଳନାରେ ସଂଗୃହୀତ ପୁନରାବୃତ୍ତି ହାର, ସାମଗ୍ରିକ ବଞ୍ଚିବା ଏବଂ ରୋଗମୁକ୍ତ ବଞ୍ଚିବା ପାଇଁ ଉତ୍କୃଷ୍ଟ ପୂର୍ବାନୁମାନ କ୍ଷମତା ପ୍ରଦର୍ଶନ କରିଥିଲା। ଅଧ୍ୟୟନରେ କମ୍ ବିପଦ ଥିବା ରୋଗୀଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପରିବର୍ତ୍ତନ (ଯଥା, NOTCH1/FBXW7, PHF6, EP300) ବହନ କରୁଥିବା ରୋଗୀ ଭାବରେ ଚିହ୍ନଟ କରାଯାଇଥିଲା, ଯେଉଁମାନଙ୍କର ଅତିରିକ୍ତ ଉଚ୍ଚ-ବିପଦ ପରିବର୍ତ୍ତନ (ଯଥା, PI3K ପଥ, TP53, ଏବଂ IDH1/2) ନାହିଁ। ଏହି ରୋଗୀମାନଙ୍କର 5 ବର୍ଷର ସଂଗୃହୀତ ପୁନରାବୃତ୍ତି ହାର (CIR) 21% ଥିଲା, ଯେତେବେଳେ ଉଚ୍ଚ-ବିପଦ ବର୍ଗରେ ଥିବା ରୋଗୀମାନେ 47% ର ବହୁତ ଅଧିକ CIR ସମ୍ମୁଖୀନ ହୋଇଥିଲେ।

 

ଅଧିକନ୍ତୁ, ଶ୍ୱେତ ରକ୍ତ କୋଷ (WBC) ଗଣନା ଏବଂ ସର୍ବନିମ୍ନ ଅବଶିଷ୍ଟ ରୋଗ (MRD) ସ୍ତର ଭଳି କ୍ଲିନିକାଲ୍ କାରଣଗୁଡ଼ିକ ସହିତ NGS ତଥ୍ୟକୁ ଏକୀକୃତ କରିବା ଦ୍ୱାରା ଏକ ପରିଷ୍କୃତ ବିପଦ ମଡେଲ୍ ସୃଷ୍ଟି ହୋଇଥିଲା ଯାହା ରୋଗୀମାନଙ୍କୁ ତିନୋଟି ଗୋଷ୍ଠୀରେ ବର୍ଗୀକୃତ କରିଥିଲା: ଉଚ୍ଚ-ବିପଦ, ମଧ୍ୟବର୍ତ୍ତୀ-ବିପଦ ଏବଂ କମ୍-ବିପଦ। ଏହି ମଡେଲ୍ ଅଧିକ ଆକ୍ରମଣାତ୍ମକ ଚିକିତ୍ସାରୁ ଉପକୃତ ହୋଇପାରୁଥିବା ରୋଗୀମାନଙ୍କୁ ପୃଥକ କରିବାରେ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ପ୍ରମାଣିତ ହୋଇଥିଲା, ବିଶେଷକରି ଯେଉଁମାନେ ଉଚ୍ଚ-ବିପଦ ଜେନେଟିକ୍ ପ୍ରୋଫାଇଲ୍ ସହିତ।

 

ଅଧ୍ୟୟନର ଫଳାଫଳଗୁଡ଼ିକ ବୟସ୍କ ଏବଂ ଶିଶୁ T-ALL ରୋଗୀ ଉଭୟଙ୍କ ପାଇଁ ପୂର୍ବାନୁମାନ ପୂର୍ବାନୁମାନକୁ ପରିଷ୍କାର କରିବା ଏବଂ ଚିକିତ୍ସା ଯୋଜନାକୁ ଉନ୍ନତ କରିବା ପାଇଁ NGS ର ସମ୍ଭାବନାକୁ ରେଖାଙ୍କିତ କରେ। କ୍ଲିନିକାଲ୍ ତଥ୍ୟ ସହିତ ଜେନେଟିକ୍ ଅନ୍ତର୍ଦୃଷ୍ଟିକୁ ମିଶ୍ରଣ କରି, କ୍ଲିନିକାଲ୍ସ ଏପରି ରୋଗୀମାନଙ୍କୁ ଭଲ ଭାବରେ ଚିହ୍ନଟ କରିପାରିବେ ଯେଉଁମାନେ ଉଦୀୟମାନ ଲକ୍ଷ୍ୟଭେଦୀ ଚିକିତ୍ସା, ଯେପରିକି PI3K ଇନହିବିଟର ଏବଂ ଚୟନିତ IDH1/IDH2 ଇନହିବିଟରରୁ ଲାଭ ପାଇପାରିବେ।

 

ଏହି ଅଧ୍ୟୟନ ବ୍ୟକ୍ତିଗତ ଚିକିତ୍ସା ରଣନୀତି ପାଇଁ ପଥ ପ୍ରଶସ୍ତ କରୁଥିବାରୁ, ଏହା ମଧ୍ୟo ବିଭିନ୍ନ ଜାତିଗତ ଗୋଷ୍ଠୀ ଏବଂ ଆଧୁନିକ ଚିକିତ୍ସା ପଦ୍ଧତି ସହିତ ଏହି ବର୍ଗୀକରଣର ପ୍ରଯୁଜ୍ୟତା ବିଷୟରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଶ୍ନ ଉଠାଇଥାଏ। ଯଦିଓ NGS-ଆଧାରିତ ସ୍ତରୀକରଣ ପ୍ରତିଶ୍ରୁତିପୂର୍ଣ୍ଣ, ବିବିଧ ଜନସଂଖ୍ୟା ମଧ୍ୟରେ ଏହାର ପ୍ରଭାବକୁ ବୈଧ କରିବା ଏବଂ ପ୍ରତିରୋଧକ T-ALL ଭଳି ଚ୍ୟାଲେଞ୍ଜିଂ ମାମଲା ପାଇଁ ପଦ୍ଧତିକୁ ପରିଷ୍କାର କରିବା ପାଇଁ ଅଧିକ ଗବେଷଣା ଆବଶ୍ୟକ।