Forscher am RIKEN Center for Integrative Medical Sciences in Japan haben einen prädiktiven Score entwickelt, der das Risiko für die Entstehung von Leberkrebs (hepatozelluläres Karzinom, HCC) in tumorfreiem Lebergewebe vorhersagt. Der am 19. Februar 2026 in den Proceedings of the National Academy of Sciences veröffentlichte Ansatz basiert auf dem Protein MYCN als zentralem Treiber der Tumorgenese und nutzt räumliche Transkriptomik kombiniert mit maschinellem Lernen.
Leberkrebs verursacht weltweit jährlich über 800.000 Todesfälle; die hohe Mortalität resultiert aus später Diagnose und Rezidivraten von 70–80 Prozent. Das Team um Xian-Yang Qin untersuchte MYCN, dessen Überexpression mit Leberkrebs aus geschädigten Lebern assoziiert ist. In Mausmodellen führte die hydrodynamische Injektion eines transposonbasierten Systems zur MYCN-Überexpression – kombiniert mit konstitutiv aktivem AKT – in 72 Prozent der Tiere innerhalb von 50 Tagen zur Entwicklung von Tumoren mit allen Merkmalen humanen HCC.
Mittels räumlicher Transkriptomik analysierten die Forscher die Genexpression in Tumormikroumgebungen und identifizierten einen Cluster von 167 Genen („MYCN-Nische“), die in tumorfreien Arealen mit erhöhtem MYCN differenziell exprimiert waren. Auf Basis dieser Mausdaten trainierten sie einen maschinellen Lernalgorithmus, der Genexpressionsmuster als MYCN-Nische klassifiziert – mit 93-prozentiger Genauigkeit.
Die Anwendung des MYCN-Nischen-Scores auf humane HCC-Datensätze ergab: Patienten mit höheren Scores in nicht-tumorösem Lebergewebe zeigten signifikant höheres Rezidivrisiko und schlechtere klinische Outcomes. Der Score erwies sich als stärker prädiktiv, wenn er aus tumorfreiem Gewebe berechnet wurde, und repräsentiert somit einen potenziellen räumlichen Biomarker für präkanzeröse Mikroumgebungen.
„Wir haben eine klinisch anwendbare Strategie entwickelt, um Hochrisikopatienten durch Genexpressionsprofilierung in nicht-tumorösem Lebergewebe zu identifizieren“, erklärt Qin. Der Ansatz integriert räumliche Transkriptomik mit maschinellem Lernen und detektiert prädisponierende Mikroumgebungen für de-novo-Tumorgenese.
Die Studie gilt als Proof-of-Concept für einen prognostischen Biomarker, der die Früherkennung und Risikostratifizierung verbessern könnte. Weitere Validierungen in größeren Kohorten und prospektiven Settings sind erforderlich; zukünftige Arbeiten sollen die biologischen Mechanismen der MYCN-Nische detaillierter aufklären und therapeutische Ansätze zur Unterbrechung dieses Prozesses prüfen. Die Arbeit wurde am RIKEN IMS durchgeführt und unterstreicht das Potenzial von räumlicher Omik und KI in der Präzisionsonkologie.
