Forschung am Tumor Profiler Center

Jacob et al., Nature Communications, 2026

Das hochgradige, seröse Ovarialkarzinom, die häufigste Form von Eierstockkrebs, gilt als besonders schwierig zu behandeln. Die Standardtherapie ist nach wie vor die Chemotherapie, obwohl längst bekannt ist, wie unterschiedlich sich diese Tumore von Patientin zu Patientin – und sogar innerhalb ein und desselben Tumors in derselben Patientin – verhalten.

Im Rahmen des TPC untersuchte das Forschungsteam, ob eine umfassende, mehrschichtige Tumoranalyse Behandlungsentscheidungen innerhalb einer klinisch sinnvollen Zeitspanne verbessern kann. Bei 62 Patientinnen aus Zürich, Basel und Liestal wurden Blut, Tumorgewebe und Bauchwasser mit bis zu elf verschiedenen Technologien untersucht – von der Erbgutanalyse über Eiweissmessungen bis hin zu funktionellen Tests, bei denen Tumorzellen direkt mit Medikamenten konfrontiert wurden. Die gesamte Auswertung stand jeweils innerhalb von vier Wochen zur Verfügung.

Das Ergebnis: Ein interdisziplinäres Tumorboard änderte die hypothetische Behandlungsempfehlung bei einem grossen Teil der Patientinnen, wenn die zusätzlichen Analysen einbezogen wurden. Bei einer Untergruppe war eine so angepasste Erhaltungstherapie nach der Chemotherapie – etwa die Wahl eines bestimmten PARP-Hemmers oder die Ergänzung um weitere Wirkstoffe – mit einem längeren Überleben verbunden, auch wenn diese Beobachtung wegen der fehlenden Randomisierung vorsichtig eingeordnet werden muss. Zusätzlich zeigte die Studie, dass die Chemotherapie die Zusammensetzung der Tumorzellen selbst verändert: Sich aktiv teilende Zellen nehmen ab, doch die verbleibenden Zellen werden vielfältiger. Tumore mit einer vollständigen Verdopplung des Erbguts fielen dabei besonders auf – sie kehrten tendenziell früher zurück und reagierten in Labortests anders auf Medikamente.

Die Studie zeigt, dass sich umfassendes Tumorprofiling innerhalb klinisch nutzbarer Fristen realisieren lässt und wertvolle Zusatzinformationen für die Behandlung liefern kann. Die Erkenntnisse fliessen bereits in eine weiterführende, interventionelle Studie ein, die «OV Precision Trial».

Link zur Publikation: Nature Communications (2026)

Boos et al., npj Precision Oncology, 2026

Bei fortgeschrittenem, EGFR-positivem nicht-kleinzelligem Lungenkrebs (NSCLC) gehören EGFR-Hemmer zur Standardbehandlung. Wie lange diese Medikamente wirken, ist jedoch von Patientin zu Patient sehr unterschiedlich, und die Gründe dafür sind nicht immer klar.

Das Forschungsteam untersuchte zwei grosse Datensätze aus dem klinischen Alltag: eine Kohorte des Universitätsspitals Zürich mit 43 Patientinnen und Patienten sowie eine internationale Datenbank mit fast 2000 Betroffenen. Im Zentrum stand die Frage, ob zusätzliche genetische Veränderungen, die bereits bei Diagnosestellung neben der EGFR-Mutation vorliegen, beeinflussen, wie lange eine EGFR-gerichtete Therapie wirkt.

Es zeigte sich, dass zusätzliche Veränderungen in den Genen ERBB2, PIK3CA und TP53 mit einer deutlich kürzeren Wirkdauer der Therapie einhergingen – dieses Muster liess sich sowohl bei neueren als auch bei älteren EGFR-Hemmern und in beiden untersuchten Patientengruppen nachvollziehen. TP53-Veränderungen kamen dabei am häufigsten vor, und bestimmte, für die Funktion des Gens besonders wichtige Genabschnitte, waren mit einer kurzen Wirkdauer verknüpft.

Die Ergebnisse sprechen dafür, bereits bei Diagnosestellung eine umfassendere genetische Untersuchung durchzuführen. So liesse sich frühzeitig abschätzen, bei welchen Patientinnen und Patienten die Standardtherapie möglicherweise weniger lang wirkt – und wer von einer engmaschigeren Kontrolle oder einer angepassten Behandlungsstrategie profitieren könnte.

Link zur Publikation: npj Precision Oncology (2026)

Wenckstern et al., Nature, 2026

Sogenannte Spatial-Proteomics-Verfahren zeigen, wo im Gewebe welche Zellen liegen und welche Eiweisse sie tragen – wichtige Informationen etwa dazu, wie Tumor- und Immunzellen miteinander interagieren. Ein Problem dabei: Jede Studie verwendet meist eine eigene Auswahl an Markern und eine eigene Messtechnik, wodurch sich Daten aus verschiedenen Studien bisher kaum vergleichen liessen.

Das Forschungsteam entwickelte deshalb «Virtual Tissues» (VirTues), ein KI-Grundmodell, das auf Gewebebildern von mehr als 3000 Patientinnen und Patienten und über hundert verschiedenen Eiweissmarkern trainiert wurde. Anders als bisherige Ansätze kann VirTues flexibel mit unterschiedlichen Markerkombinationen und Messtechniken umgehen. Das Modell kann einzelne Zellen erkennen und typisieren, funktionelle Nachbarschaften im Gewebe identifizieren und sogar Messwerte für Marker abschätzen, die in einer bestimmten Untersuchung gar nicht direkt gemessen wurden.

Besonders eindrücklich zeigte sich der Nutzen bei triple-negativem Brustkrebs: Von VirTues abgeleitete Muster sagten voraus, welche Patientinnen auf eine Kombination aus Chemo- und Immuntherapie ansprachen, und sie unterschieden in einer unabhängigen Patientengruppe zuverlässig zwischen einem höheren und einem niedrigeren Rückfallrisiko – dabei deutlich genauer als bisher etablierte Biomarker und gängige klinische Einteilungen.

Die Arbeit zeigt, wie künstliche Intelligenz dazu beitragen kann, die wachsende Komplexität moderner Gewebeanalysen nutzbar zu machen. Ein solches Werkzeug könnte helfen, Daten aus vielen verschiedenen Studien und Technologien zusammenzuführen und neue Biomarker für die personalisierte Krebsbehandlung zu finden. Das langfristige Ziel ist zudem, dass Modell-basierte Vorhersagen in Zukunft in klinischen Studien getestet werden können.

Link zur Publikation: Nature (2026)