Персоналізована медицина

Персоналізована медицина, медицина рівня P3 (син. прецизійна, прицільна, індивідуалізована, персоніфікована) — це медична модель, що полягає на виборі медичних рішень та практик на основі прогнозованої реакції конкретного пацієнта та ризику розвитку у нього захворювання, на відміну від активної моделі «один препарат, який підходить усім».

Хоча концепція персоналізованого підбору лікування бере свій початок ще за часів Гіппократа, популярності вона набула лише в останніх роках завдяки новим технологіям. Для виявлення хвороб та вибору оптимальної терапії прицільна медицина використовує діагностичні тестування генетичної, молекулярної і клітинної інформації. Геноміка сприяє створенню доказової бази для стратифікації (групування) подібних між собою пацієнтів.

Термінологія

Терміни персоналізована, персоніфікована, прецизійна, прицільна та індивідуалізована медицина часто використовуються як синоніми, хоча між цими поняттями існують певні розбіжності. Так, наприклад, прицільна медицина – це модель системи охорони здоров’я, в якій медичні заключення та види лікування адаптовані під окремі групи пацієнтів, залежно від схильності до певного захворювання, особливостях перебігу і ефективності лікування. Такий підхід дозволить фокусувати профілактичні та лікувальні заходи на тих пацієнтах, кому вони будуть корисні, заощаджуючи витрати та зменшуючи небажані наслідки для решти осіб. В той же час, «прицільна медицина» також займається створенням медичних продуктів для конкретних осіб, наприклад, «...індивідуально створені чи підібрані тканини та органи для лікування кожного окремого пацієнта». Тому в широкій практиці поняття прицільної і персоналізованої медицини вважаються синонімами.

Переваги

Прицільна медицина допомагає краще розуміти навколишнє середовище, спосіб життя та спадковість. Ця інформація дозволяє точніше передбачити, які методи лікування будуть найбільш ефективними та безпечними, а, можливо, і запобігти початку хвороби. Інші переваги полягають на:

• зміщенні акценту в медицині з лікування на профілактику
• ранній діагностиці захворювань
• точнішому виборі ліків та їх дозування
• передбаченню та уникненню побічних наслідків
• зменшенню часу, вартості і рівня невдач фармацевтичних клінічних випробувань

Практика

Можливість прицільного лікування в звичайних клінічних умовах залежить від доступності тестів молекулярного профілювання (наприклад генотипування ДНК зародкової лінії). У дослідницькому середовищі вивчаються різні аспекти прицільйної медицини (наприклад, протеом, мікробіом), але в рутинній практиці використовуються не всі. Здатність втілювати в життя висновки досліжень залежить від наявних баз знань, які допомагають клініцистам інтерпретувати отримані результати для модифікації лікування. Ранні дослідження із застосуванням прицільної медицини на основі оміків для когорт осіб із недіагностованим захворюванням показали частоту діагностики ~35% із ~1 із 5 нових діагностованих пацієнтів, які отримували рекомендації щодо зміни терапії.

Діагностика та лікування

Генотипування — це процес отримання послідовності ДНК. Послідовність ДНК кожної людини можна буде порівняти з еталонним геномом, таким як « Проект геному людини», щоб оцінити існуючі генетичні варіації, які можуть призвести до різних захворювань. Низка приватних компаній, таких як 23andMe, Navigenics і Illumina, створили загальнодоступне секвенування геному Direct-to-Consumer.

Іншим важливим аспектем є фармакогеноміка, яка використовує геном людини для кращого підбору ліків. Детальний облік генетичної інформації людини допоможе запобігти побічним наслідкам, дозволить підібрати відповідні дози та досягти максимальної ефективності при призначенні ліків. Візьмемо для прикладу варфарин (пероральний антикоагулянт). Через значну індивідуальну варіабельність фармакокінетики та фармакодинаміки варфарину, частота його побічних реакцій є однією з найвищих серед усіх препаратів. Однак, завдяки відкриттю поліморфних варіантів у генотипах CYP2C9 і VKORC1 (гени, які кодують індивідуальну антикоагулянтну реакцію), лікарі можуть використати генний профіль пацієнтів для призначення відповідних доз варфарину, які забезпечать оптимальну терапевтичну ефективність та допоможуть уникнути побічніх реакцій.

Персоналізована медицина сприяє прогресу профілактичної допомоги. Наприклад, вже зараз багатьом жінкам, з обтяженою спадковістю відносно раку молочних залоз чи яєчників, рекомендують тестування для виявлення мутації в генах BRCA1 і BRCA2. Чим більше причин захворювань нанесено на карту генних мутацій, тим простіше їх ідентифікувати серед населення, і вжити заходів, щоб запобігти розвитку захворювання.

Тераностика

Тераностика — це персоналізований підхід до лікування раку. Слово «тераностика» походить від поєднання слів «терапія» і «діагностика». Одним із перших прикладів є використання радіоактивного йоду для лікування хворих на рак щитоподібної залози. Інші приклади включають радіоактивно мічені анти-CD20 антитіла (наприклад, Bexxar) для лікування лімфоми, Radium-223 для лікування метастазів у кістки, Lutetium-177 DOTATATE для лікування нейроендокринних пухлин і Lutetium-177 PSMA для лікування раку простати. Найбільш часто використовуваним реагентом є фтордезоксиглюкоза з використанням ізотопу фтор-18.

Мультиоміка

Мультиоміка: спрощено та схематично

Персоналізована медицина являє собою зміну парадигми від універсального підходу до більш орієнтованої на пацієнта методології. Вона зосереджений на визначенні підходів, які будуть ефективними для пацієнтів на основі генетичних факторів, чинників навколишнього середовища та способу життя. Поява технологій "омік" значно розширила можливості персоналізованої медицини.

Мультиоміка трансформує персоналізовану медицину, надаючи цілісне уявлення про стан здоров’я пацієнта на молекулярному рівні. Інтеграція геноміки, епігеноміки, , , протеоміки, метаболоміки та інших даних оміксних технологій дозволяє точніше діагностувати, прогнозувати та лікувати захворювання. Надзвичайно великі, швидко зростаючі колекції даних оміксних технологій та клінічних даних створюють виклики та можливості для їх аналізу та інтерпретації та відкривають нові обчислювальні шлюзи для вирішення цих проблем. Розробка нових надійних алгоритмів, які найбільше підходять для належного аналізу цих великих даних, уможливила прогрес персоналізованої медицини.

Дані мультиоміки можуть покращити діагностику та прогноз захворювання шляхом визначення та підтипів захворювання. Це може призвести до раннього виявлення та втручання, покращуючи результати пацієнтів. Крім того, мультиоміка може допомогти виявити пацієнтів із високим ризиком розвитку певних захворювань, уможливлюючи профілактичні заходи.

Розуміючи унікальний молекулярний профіль пацієнта, медичні працівники можуть пристосувати лікування до конкретної людини. Мультиомічний аналіз може надавати інформацію про потенційні мішені ліків, прогнозувати реакцію на ліки та контролювати прогрес лікування. Це може підвищити ефективність терапії та мінімізувати побічні ефекти.

Незважаючи на перспективу мультиоміки в прецизійній медицині, залишається кілька проблем. До них належать питання, пов’язані з інтеграцією даних та їх інтерпретацією.

Геноміка

Апарат для секвенування геному Pacific Biosciences

Геном кожної людини унікальний. Здоров’я напряму залежить від генетичних варіацій, способу життя та впливу навколишнього середовища. Індивідуальні відмінності молекулярної патології та експосому впливають на перебіг хвороби шляхом інтерактому у тканинному мікросередовищі. В якості теоретичної основи прицільної медицини лежить «принцип унікальної хвороби», який вперше був використаний для опису неопластичних захворювань як «принцип унікальної пухлини».

Щоб дізнатися чи певна геномна мутація пов’язана з конкретною хворобою, дослідники проводять «дослідження загальногеномних асоціацій» (GWAS). Ціль дослідження — знайти ідентичні мутації серед групи хворих з однаковою патологією. Виявлені таким чином мутації, пов’язані із певним захворюванням, можна використовувати для майбутньої діагностики пацієнтів. Перше GWAS, проведене в 2005 році, вивчало пацієнтів з віковою дегенерацією жовтої плями (ARMD). Воно виявило дві різні мутації, кожна з яких містить варіацію лише в одному нуклеотиді (так звані однонуклеотидні поліморфізми або SNP). Станом на початок 2014 року було проведено понад 1300 досліджень GWAS.

Геноміка раку

Загальний процес персоналізованої терапії раку. Секвенування геному дозволить точніше та персоналізовано призначати ліки та цільову терапію для різних пацієнтів.

Див. також: Секвенування ракового геному

Протягом останніх десятиліть дослідження раку допомогли вивчити генетичну різноманітність типів раку, які проявляються однаково в традиційній патології. Зростає усвідомлення гетерогенності пухлини або генетичної різноманітності в одній пухлині.

«Персоналізована онкогеноміка» — це застосування персоналізованої медицини до геноміки раку. Онкогеноміка є однією з найперспективніших галузей геноміки, особливо через її значення для медикаментозної терапії. Приклади цього:

• Трастузумаб (торговельні назви Herclon, Herceptin) — препарат із моноклональними антитілами, який впливає на рецептор HER2/neu . Його основне використання - лікування деяких видів раку молочної залози. Цей препарат використовується лише в тому випадку, якщо рак пацієнта тестується на надмірну експресію рецептора HER2/neu. Два тести на типування тканин використовуються для перевірки пацієнтів на можливу користь від лікування Герцептином. Тканинні тести включають імуногістохімію (IHC) і флуоресцентну гібридизацію in situ (FISH). Лише пацієнти з Her2+ отримуватимуть терапію Герцептином (трастузумаб).
• Інгібітори тирозинкінази, такі як іматиніб (продається як Gleevec), були розроблені для лікування хронічного мієлоїдного лейкозу (ХМЛ), у якому злитий ген BCR-ABL (продукт реципрокної транслокації між хромосомою 9 і хромосомою 22) присутній у >95% випадків і створює гіперактивовану білкову сигналізацію, керовану abl. Ці ліки спеціально пригнічують білок тирозинкінази Еблесона (ABL) і, таким чином, є яскравим прикладом «раціонального дизайну ліків», заснованого на знанні патофізіології захворювання.
• Звіт FoundationOne CDx, підготовлений Foundation Medicine, який вивчає гени в біопсії пухлини окремих пацієнтів і рекомендує конкретні ліки.
• Високий мутаційний тягар свідчить про відповідь на імунотерапію, а також специфічні моделі мутацій пов’язані з попереднім впливом цитотоксичних препаратів проти раку.

Епігеноміка

Персоналізована медицина, адаптована до унікальних генетичних та епігенетичних особливостей людини, має значні перспективи. Майбутні досягнення в епігеноміці можуть включати розробку персоналізованих епігенетичних профілів, які можуть прогнозувати ризик захворювання, інформувати про вибір лікування та контролювати прогресування захворювання або відповідь на лікування. (див. Епігеноміка)

Респіраторна протеоміка

Підготовка зразка протеоміки на носії зразка для аналізу мас-спектрометрією .

Хронічні легеневі захворювання (наприклад, астма, хронічна обструктивна хвороба легенів, ідіопатичний легеневий фіброз, та інші) і рак легенів негативно впливають на значну частину населення. Ці стани дуже неоднорідні і вимагають ранньої діагностики, але початкові симптоми неспецифічні, тому клінічний діагноз часто встановлюється пізно. За останні роки респіраторна протеоміка досягла значного прогресу в розробці персоналізованої медицини. Наприклад, у дослідженні, проведеному Lazzari et al. у 2012 році підхід, заснований на протеоміці, суттєво покращив ідентифікацію багатьох біомаркерів раку легенів, які можна використовувати для адаптації індивідуального лікування для окремих пацієнтів. Протягом останніх кількох років у персоналізованій медицині почали використовувати протеоміку для аналізу серії експресій білка замість одного біомаркера. Білки контролюють біологічну діяльність організму, включаючи здоров’я та хвороби, тому протеоміка допомагає в ранній діагностиці. У випадку респіраторного захворювання протеоміка аналізує кілька біологічних зразків, включаючи сироватку, клітини крові, рідини бронхоальвеолярного лаважу (BAL), рідини назального лаважу (NLF), мокротиння тощо. Ідентифікація та кількісна оцінка повної експресії білка з цих біологічних зразків проводяться за допомогою мас-спектрометрії та передових аналітичних методів.

Розробка та застосування ліків

Наявність геномної інформації про людину може значно допомогти в розробці ліків. Здатність визначити пацієнтів, які отримають найбільшу користь в процесі клінічного випробування, підвищить безпеку пацієнтів відносно несприятливих наслідків, викликаних продуктом під час тестування, і дозволить проводити менші та швидші випробування, що призведе до зниження загальних витрат на часу необхідного для розробки і введення препарату на ринок. Крім того, препарати, які вважаються неефективними для більшої частини населення, можуть отримати схвалення FDA завдяки персональним геномам, використаним для оцінки ефективності та потреби в цьому конкретному препараті чи терапії, навіть якщо вони знадобляться лише невеликому відсотку населення.

Лікарі часто використовують стратегію "проб і помилок", поки не знайдуть найефективніше лікування. Персоналізована медицина дозволяє передбачити ефективність лікування на основі геному конкретної людини. Такий підхід також є більш економічно ефективним і вигідним. Наприклад, тамоксифен раніше був препаратом, який призначали жінкам з ER+ раком молочної залози, але у 65% осіб розвивалась резистентність. Після досліджень Девіда Флокхарта, було виявлено, що жінки з мутацією в гені CYP2D6, не здатні ефективно розщеплювати Тамоксифен, що робить його неефективним.

Ще однією сферою активних досліджень є ефективна доставка персоналізованих ліків до хворих ділянок тіла. Наприклад, дослідники намагаються сконструювати наноносії, які можуть точно націлюватися на конкретне місце в організмі, використовуючи зображення в реальному часі та аналізуючи фармакодинаміку ліків. Досліджується кілька потенційних наноносіїв: наночастинки оксиду заліза, квантові точки, вуглецеві нанотрубки, наночастинки золота та наночастинки кремнезему. Зміна хімічного складу поверхні дозволяє завантажувати ці наночастинки ліками, а також уникати імунної відповіді організму, що робить можливою тераностику на основі наночастинок. Стратегії націлювання наноносіїв відрізняються залежно від захворювання. Наприклад, якщо в лікуванні раку загальним підходом є ідентифікація біомаркера, що експресується на поверхні ракових клітин, і завантаження пов’язаного з ним націлюючого вектора на наноносій для досягнення розпізнавання та зв’язування; масштаб розміру наноносіїв також буде розроблено для досягнення ефекту підвищеної проникності та утримування (EPR) при націлюванні на пухлину. Якщо хвороба локалізована в конкретному органі, такому як нирка, поверхня наноносіїв може бути покрита певним лігандом, який зв’язується з рецепторами всередині цього органу, щоб досягти доставки ліків до органу та уникнути неспецифічного поглинання. Система доставки ліків на основі наночастинок має великий потенціал і прогрес у цій галузі ще попереду, поки що наноносії все ще досліджуються та модифікуються відповідно до клінічних стандартів.

Скринінг населення

Завдяки використанню технологій геноміки (мікроматриці), протеоміки (матриця тканин) і візуалізації (фМРТ, мікро-КТ) можна легко отримати інформацію про пацієнтів на молекулярному рівні. По суті, популяційний геномний скринінг можна використовувати для виявлення людей із групою ризику захворювання, що може допомогти в профілактичних зусиллях.

Генетичні дані можна використовувати для побудови полігенних балів, які оцінюють такі ознаки, як ризик захворювання, шляхом підсумовування передбачуваних ефектів окремих варіантів, виявлених за допомогою GWAS. Вони використовувалися для багатьох захворювань, таких як рак, діабет та ішемічна хвороба серця. Багато генетичних варіантів пов’язані з походженням, і залишається проблемою як створити точні оцінки, так і відокремити біологічно значущі варіанти від тих, які випадково пов’язані. Оцінки, отримані на основі однієї сукупності, зазвичай погано переносяться на інші, тому потрібні складні методи та більш різноманітні й глобальні дані. Більшість досліджень використовували дані тих, хто має європейське походження, що призвело до закликів до більш справедливих методів геноміки, щоб зменшити розбіжності у здоров’ї. Крім того, хоча полігенні оцінки мають певну прогностичну точність, їх інтерпретації обмежуються оцінкою індивідуального процентилю, а для клінічного використання необхідні трансляційні дослідження .

Штучний інтелект

Штучний інтелект швидко зміщує парадигму в бік прицільної медицини. Алгоритми машинного навчання використовуються для визначення та аналізу генної інформації величезної кількості пацієнтів. У статті 2021 року повідомлялося, що завдяки машинному навчанню вдалося передбачити результати III фази клінічних випробувань (для лікування раку простати) з точністю 76%.

Органоїди та органи на чіпі

Схематичне зображення різних органоїдів

Органоїди — це тривимірні (3D) клітинні структури, вирощені зі стовбурових клітин у лабораторних умовах, які імітують властивості справжніх органів. Ці мініатюрні та спрощені версії структури органу пропонують значний потенціал у галузі персоналізованої медицини.

Близькими до дослідження органоїдів є дослідження органів на чипі. Мікрофлюїдні пристрої «орган-на-чіпі» (органний чіп), облицьовані живими клітинами, культивованими під потоком рідини, можуть з високою точністю повторювати фізіологію та патофізіологію на рівні органів.

Моделювання захворювань

Церебральні органоїди людини

Органоїди широко використовуються в моделюванні захворювань, оскільки вони можуть повторити складні фізіологічні характеристики органів людини. Вони служать цінними інструментами для вивчення механізмів захворювання на клітинному рівні, особливо таких захворювань, як рак, де пухлини окремих пацієнтів можна моделювати за допомогою органоїдів, отриманих з пухлин.

Пошук ліків і персоналізоване лікування

Органоїди також відіграють вирішальну роль у відкритті ліків і індивідуальних стратегіях лікування. Здатність тестувати реакцію на ліки в органоїдах пацієнта перед введенням їх пацієнту може допомогти передбачити найбільш ефективний метод лікування, мінімізуючи підходи методом проб і помилок. Наприклад, пухлинні органоїди можна використовувати для перевірки чутливості конкретних типів раку до різних хіміотерапевтичних препаратів, потенційно керуючи персоналізованим лікуванням раку.

В регенеративній медицині

Трансплантація коркових органоїдів людини в кору головного мозку щурів

У регенеративній медицині органоїди є перспективними для їх потенційного використання у відновленні тканин і трансплантації органів. Наприклад, дослідження на мишах 2023 року, опубліковане в npj Regenerative Medicine, що досліджувало використання мозкових органоїдів для відновлення функціональної нервової тканини в місці ураження після ішемічного інсульту, показало:

"...Через кілька місяців ми виявили, що трансплантовані органоїди добре вижили в ураженому інфарктом ядрі, диференціювалися в цільові нейрони, відновлювали інфарктну тканину, посилали аксони до віддалених мішеней мозку та інтегрувалися в нейронний ланцюг господаря, тим самим усуваючи сенсомоторні дефекти поведінки мишей, які перенесли інсульт, тоді як трансплантація дисоційованих окремих клітин з органоїдів не привела до відновлення ураженої інфарктом тканини."

Хоча це застосування в основному знаходиться на експериментальній фазі, є надія, що одного дня органоїди можуть стати джерелом тканин і органів для трансплантації, зменшуючи залежність від донорів органів. (Див. також Тканинна інженерія, Інженерія нервової тканини, Друк органів)

Виклики

Оскільки персоналізована медицина практикується все ширше, виникає низка проблем. Нинішні підходи до прав інтелектуальної власності, політики відшкодування, конфіденційності пацієнтів, упередженості та конфіденційності даних, а також регуляторного нагляду необхідно буде переглянути та реструктурувати, щоб відповідати змінам, які персоналізована медицина принесе в охорону здоров’я. Наприклад, опитування, проведене у Великій Британії, показало, що 63% дорослих у Великій Британії не влаштовують використання їхніх особистих даних для використання ШІ в медичній сфері. Крім того, аналіз отриманих діагностичних даних є недавнім викликом персоналізованої медицини та її впровадження. Наприклад, генетичні дані, отримані в результаті секвенування наступного покоління, перед аналізом потребують інтенсивної комп’ютерної обробки даних . У майбутньому знадобляться відповідні інструменти для прискорення впровадження персоналізованої медицини в інші галузі медицини, що потребує міждисциплінарної співпраці експертів із конкретних галузей досліджень, таких як медицина, клінічна онкологія, біологія та штучний інтелект .

Регуляторний нагляд

Управління з продовольства і медикаментів США (FDA) вже почало виступати з ініціативами щодо інтеграції персоналізованої медицини в свою регуляторну політику. Звіт FDA у жовтні 2013 року під назвою «Прокладаючи шлях до персоналізованої медицини: роль FDA у новій епосі розробки медичних продуктів», у якому вони окреслили кроки, які вони мають зробити, щоб інтегрувати генетичну інформацію та інформацію про біомаркери для клінічного використання та розробки ліків. Вони визначили, що їм доведеться розробити спеціальні нормативні наукові стандарти, методи дослідження, довідкові матеріали та інші інструменти, щоб включити персоналізовану медицину в свою поточну нормативну практику. Наприклад, вони працюють над «геномною довідковою бібліотекою» для регулюючих органів, щоб порівнювати та перевіряти валідність різних платформ секвенування з метою підтримки надійності. Основним викликом для тих, хто регулює персоналізовану медицину, є спосіб продемонструвати її ефективність порівняно з поточним стандартом медичної допомоги. Нову технологію необхідно оцінити як на клінічну, так і на економічну ефективність, і в поточному стані регуляторні органи не мають стандартизованого методу.

Право інтелектуальної власності

Як і будь-які інновації в медицині, на інвестиції та інтерес до персоналізованої медицини впливають права інтелектуальної власності. Було багато суперечок щодо патентного захисту діагностичних засобів, генів і біомаркерів. У червні 2013 року Верховний суд США постановив, що природні гени не можуть бути запатентовані, тоді як «синтетичну ДНК», яка була відредагована або створена штучно, все ще можна запатентувати. Патентне відомство зараз розглядає низку питань, пов’язаних із патентним законодавством для персоналізованої медицини, наприклад, чи можуть «підтверджуючі» вторинні генетичні тести після первинного діагнозу мати повний імунітет від патентного законодавства. Ті, хто виступає проти патентів, стверджують, що патенти на послідовності ДНК є перешкодою для поточних досліджень, у той час як прихильники вказують на звільнення від досліджень і наголошують, що патенти необхідні для залучення та захисту фінансових інвестицій, необхідних для комерційних досліджень, а також розвитку та просування пропонованих послуг.

Політика відшкодування

Політику відшкодування необхідно буде переглянути, щоб відповідати змінам, які персоналізована медицина принесе в систему охорони здоров’я. Деякі з факторів, які слід враховувати, це рівень ефективності різноманітних генетичних тестів у загальній популяції, економічна ефективність по відношенню до переваг, як мати справу з платіжними системами для надзвичайно рідкісних захворювань і як переосмислити концепцію страхування «спільного ризик», щоб включити ефект новішої концепції «індивідуальних факторів ризику». У дослідженні « Перешкоди для використання персоналізованої медицини при раку молочної залози » використовувалися два різні діагностичні тести: BRAC Analysis і Oncotype DX. Ці тести тривають понад десять днів, що призводить до невдачі та затримок у лікуванні. Пацієнти не отримують відшкодування за ці затримки, що призводить до непризначення тестів. Зрештою, це призводить до того, що пацієнти змушені платити за лікування зі своєї кишені, оскільки страхові компанії не хочуть брати на себе пов’язані з цим ризики.

Конфіденційність

Мабуть, найбільш критичною проблемою комерціалізації персоналізованої медицини є захист пацієнтів. Однією з найбільших проблем є страх і потенційні наслідки для пацієнтів, які після генетичного тестування схильні або не реагують на певні види лікування. Це включає психологічний вплив на пацієнтів через результати генетичного тестування. Іншим питанням є право членів сім’ї, які не дають прямої згоди, враховуючи, що генетична схильність і ризики є спадковими. Слід також враховувати наслідки для певних етнічних груп і наявність загального алеля.

Крім того, ми можемо посилатися на питання конфіденційності на всіх рівнях персоналізованої медицини від відкриття до лікування. Одним із провідних питань є згода пацієнтів на використання їхньої інформації в алгоритмах генетичного тестування, насамперед у алгоритмах ШІ. Згода установи, яка надає дані для використання, також має важливе значення. У 2008 році було прийнято Закон про недискримінацію генетичної інформації (GINA), щоб мінімізувати страх пацієнтів, які беруть участь у генетичних дослідженнях, гарантуючи, що їхня генетична інформація не буде використана роботодавцями чи страховими компаніями. 19 лютого 2015 року FDA випустило прес-реліз під назвою: «FDA дозволяє продавати перший тест на генетичне носійство для синдрому Блума безпосередньо споживачеві.

Упередженість алгоритмів

Упередженість алгоритмів аналізу баз даних також відіграють важливу роль у персоналізованій медицині. Важливо переконатися, що зразок тестованих генів походить від різних популяцій. Це робиться для того, щоб у зразках не виявлялися ті самі людські упередження, які ми використовуємо під час прийняття рішень.

Отже, якщо розроблені алгоритми для персоналізованої медицини є упередженими, то результат алгоритму також буде упередженим через відсутність генетичного тестування в певних популяціях. Наприклад, результати Фремінгемського дослідження серця призвели до необ’єктивних результатів прогнозування ризику серцево-судинних захворювань. Це пояснюється тим, що зразок тестували лише на білих людях, а при застосуванні до небілого населення результати були упередженими з переоцінкою та недооцінкою ризиків серцево-судинних захворювань.

Реалізація

Перш ніж запровадити персоналізовану медицину, необхідно вирішити кілька проблем. Дуже мало геному людини було проаналізовано, і навіть якби медичні працівники мали доступ до повної генетичної інформації пацієнта, дуже мало її можна було б ефективно використати для лікування. Проблеми також виникають під час обробки таких великих обсягів генетичних даних. Навіть за низького рівня помилок 1 на 100 кілобаз обробка геному людини може мати приблизно 30 000 помилок. Така кількість помилок, особливо при спробі ідентифікації конкретних маркерів, може ускладнити відкриття та перевірку. Існують методи подолання цього, але вони обчислювальні та дорогі. Існують також проблеми з точки зору ефективності, оскільки після обробки геному необхідно проаналізувати функцію варіацій між геномами за допомогою загальногеномних досліджень. Хоча вплив SNP, виявлених у таких дослідженнях, можна передбачити, потрібно зробити більше, щоб контролювати величезну кількість варіацій, які можуть виникнути через розмір досліджуваного геному. Щоб ефективно рухатися вперед у цій галузі, необхідно вжити заходів, щоб переконатися, що дані, що аналізуються, є якісними, і має бути прийнято ширше бачення з точки зору аналізу кількох SNP для фенотипу. Найактуальнішим питанням впровадження персоналізованої медицини є застосування результатів генетичного картування для покращення системи охорони здоров’я. Це пов’язано не лише з інфраструктурою та технологіями, необхідними для централізованої бази даних геномів, але й тому, що лікарі, які мали б доступ до цих інструментів, ймовірно, не змогли б повністю ними скористатися. Для того, щоб по-справжньому запровадити персоналізовану систему охорони здоров’я, необхідно провести наскрізні зміни.

Копенгагенський інститут досліджень майбутнього та компанія Roche створили FutureProofing Healthcare , яка розробляє персоналізований індекс здоров’я, оцінюючи ефективність різних країн за 27 різними індикаторами персоналізованого здоров’я за чотирма категоріями під назвою «Життєві показники». Вони провели конференції в багатьох країнах, щоб перевірити свої висновки.

Питання про те, хто отримує вигоду від геноміки, що фінансується державою, є важливим питанням охорони здоров’я, і необхідно звернути увагу на те, щоб впровадження геномної медицини не посилювало проблеми соціальної справедливості.

Досягнення персоналізованої медицини створять більш уніфікований підхід до лікування, специфічний для людини та її геному. Персоналізована медицина може забезпечити кращу діагностику з раннім втручанням, ефективнішу розробку ліків і більш цілеспрямовану терапію

Дивіться також

• Історія медицини
• Холістична медицина
• Регенеративна медицина
• Здоровий спосіб життя
• Генетика
• Епігенетика
• Нутрігенетика
• Біохакінг
• Генотерапія
• Генна інженерія
• Тканинна інженерія
• Друк органів

Література

Книги

• Pingitore, Alessandro; Iacono, Alfonso Maurizio (2023). The patient as a person: an integrated and systemic approach to patient and disease. Cham, Switzerland: Springer Nature. ISBN .
• Beneduce, Chiara; Bertolaso, Marta (2022). Personalized medicine in the making: philosophical perspectives from biology to healthcare. Cham: Springer Nature. ISBN .
• Yahaya, Badrul Hisham (2022). Organoid technology for disease modelling and personalized treatment. Cham. ISBN .

Журнали

• Personalized Medicine
• Journal of Personalized Medicine
• Drug Metabolism and Personalized Therapy
• Pharmacogenomics and Personalized Medicine
• Personalized Medicine in Psychiatry

Примітки

1. Yau, Tung On (October 2019). Precision treatment in colorectal cancer: Now and the future. JGH Open. 3 (5): 361—369. doi:10.1002/jgh3.12153. PMC 6788378. PMID 31633039.
2. Egnew TR (1 березня 2009). Suffering, meaning, and healing: challenges of contemporary medicine. Annals of Family Medicine. 7 (2): 170—5. doi:10.1370/afm.943. PMC 2653974. PMID 19273873.
3. . Personalized Medicine Coalition. Архів оригіналу за 10 травня 2019. Процитовано 26 квітня 2014.
4. (Технічний звіт). {{}}: |archive-url= вимагає |url= (); Пропущений або порожній |title= ()
5. The Case for Personalized Medicine (PDF). Personalized Medicine Coalition. 2014. Процитовано 6 січня 2016.
6. Smith R (15 жовтня 2012). Stratified, personalised, or precision medicine. British Medical Journal. Процитовано 6 січня 2016.
7. . PHG Foundation. Архів оригіналу за 9 листопада 2016. Процитовано 6 січня 2015.
8. Changing medicine with 3-D bioprinting, where organs can be synthesized by technology. Los Angeles Times. 23 лютого 2015.
9. Tailored Clinical Molecular Test Interpretation. N-of-One. Архів оригіналу за 9 березня 2015. Процитовано 5 березня 2015.
10. Ashley EA, Butte AJ, Wheeler MT, Chen R, Klein TE, Dewey FE, Dudley JT, Ormond KE, Pavlovic A, Morgan AA, Pushkarev D, Neff NF, Hudgins L, Gong L, Hodges LM, Berlin DS, Thorn CF, Sangkuhl K, Hebert JM, Woon M, Sagreiya H, Whaley R, Knowles JW, Chou MF, Thakuria JV, Rosenbaum AM, Zaranek AW, Church GM, Greely HT, Quake SR, Altman RB (May 2010). Clinical assessment incorporating a personal genome. Lancet. 375 (9725): 1525—35. doi:10.1016/s0140-6736(10)60452-7. PMC 2937184. PMID 20435227. {{}}: Недійсний |displayauthors=6 ()
11. Huser V, Sincan M, Cimino JJ (2014). Developing genomic knowledge bases and databases to support clinical management: current perspectives. Pharmacogenomics and Personalized Medicine. 7: 275—83. doi:10.2147/PGPM.S49904. PMC 4175027. PMID 25276091.{{}}: Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
12. Ashley EA (June 2015). The precision medicine initiative: a new national effort. JAMA. 313 (21): 2119—20. doi:10.1001/jama.2015.3595. PMID 25928209.
13. Ashley EA (August 2016). Towards precision medicine. Nature Reviews Genetics. 17 (9): 507—22. doi:10.1038/nrg.2016.86. PMID 27528417.
14. Splinter, Kimberly; Adams, David R.; Bacino, Carlos A.; Bellen, Hugo J.; Bernstein, Jonathan A.; Cheatle-Jarvela, Alys M.; Eng, Christine M.; Esteves, Cecilia; Gahl, William A. (29 листопада 2018). Effect of Genetic Diagnosis on Patients with Previously Undiagnosed Disease. New England Journal of Medicine. 379 (22): 2131—2139. doi:10.1056/NEJMoa1714458. PMC 6481166. PMID 30304647.
15. . National Institutes of Health (NIH). Архів оригіналу за 25 вересня 2019. Процитовано 28 квітня 2014.
16. Exploring Personal Genomics. Oxford: Oxford University Press. 2014.
17. Genetics Home Reference: What is pharmacogenomics?. National Institutes of Health (NIH). Процитовано 28 квітня 2014.
18. Lesko LJ (June 2007). Personalized medicine: elusive dream or imminent reality?. Clinical Pharmacology and Therapeutics. 81 (6): 807—16. doi:10.1038/sj.clpt.6100204. PMID 17505496.
19. Breckenridge A, Orme M, Wesseling H, Lewis RJ, Gibbons R (April 1974). Pharmacokinetics and pharmacodynamics of the enantiomers of warfarin in man. Clinical Pharmacology and Therapeutics. 15 (4): 424—30. doi:10.1002/cpt1974154424. PMID 4821443.
20. Rieder MJ, Reiner AP, Gage BF, Nickerson DA, Eby CS, McLeod HL, Blough DK, Thummel KE, Veenstra DL, Rettie AE (June 2005). Effect of VKORC1 haplotypes on transcriptional regulation and warfarin dose. The New England Journal of Medicine. 352 (22): 2285—93. doi:10.1056/NEJMoa044503. PMID 15930419. {{}}: Недійсний |displayauthors=6 ()
21. Fact Sheet: BRCA1 and BRCA2: Cancer and Genetic Testing. National Cancer Institute (NCI). Процитовано 28 квітня 2014.
22. Chapter 11. Positron Emission Tomography (PET) Driven Theranostics. Metal Ions in Bio-Imaging Techniques. Springer. 2021. с. 315—346. doi:10.1515/9783110685701-017.
23. Ginsburg, Geoffrey S.; Phillips, Kathryn A. (2018-05). Precision Medicine: From Science To Value. Health Affairs (англ.). Т. 37, № 5. с. 694—701. doi:10.1377/hlthaff.2017.1624. ISSN 0278-2715. PMC 5989714. PMID 29733705. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
24. Babu, Mohan; Snyder, Michael (2023-06). Multi-Omics Profiling for Health. Molecular & Cellular Proteomics. Т. 22, № 6. с. 100561. doi:10.1016/j.mcpro.2023.100561. ISSN 1535-9476. PMC 10220275. PMID 37119971. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
25. Hasin, Yehudit; Seldin, Marcus; Lusis, Aldons (5 травня 2017). Multi-omics approaches to disease. Genome Biology. Т. 18, № 1. с. 83. doi:10.1186/s13059-017-1215-1. ISSN 1474-760X. PMC 5418815. PMID 28476144. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
26. Hassan, Mubashir; Awan, Faryal Mehwish; Naz, Anam; deAndrés-Galiana, Enrique J.; Alvarez, Oscar; Cernea, Ana; Fernández-Brillet, Lucas; Fernández-Martínez, Juan Luis; Kloczkowski, Andrzej (2022-01). Innovations in Genomics and Big Data Analytics for Personalized Medicine and Health Care: A Review. International Journal of Molecular Sciences (англ.). Т. 23, № 9. с. 4645. doi:10.3390/ijms23094645. ISSN 1422-0067. PMC 9104788. PMID 35563034. Процитовано 7 жовтня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
27. Godinho, Cláudia P.; Dias, Paulo J.; Ponçot, Elise; Sá-Correia, Isabel (2018). The Paralogous Genes PDR18 and SNQ2, Encoding Multidrug Resistance ABC Transporters, Derive From a Recent Duplication Event, PDR18 Being Specific to the Saccharomyces Genus. Frontiers in Genetics. Т. 9. doi:10.3389/fgene.2018.00476. ISSN 1664-8021. PMC 6196229. PMID 30374366. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
28. Paananen, Jussi; Fortino, Vittorio (1 грудня 2020). An omics perspective on drug target discovery platforms. Briefings in Bioinformatics (англ.). Т. 21, № 6. с. 1937—1953. doi:10.1093/bib/bbz122. ISSN 1467-5463. PMC 7711264. PMID 31774113. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
29. Guo, Shicheng; Zhang, Dake; Wang, Hu; An, Qin; Yu, Guangchuang; Han, Junwei; Jiang, Chunjie; Huang, Jianfeng (2023). Editorial: Computational and systematic analysis of multi-omics data for drug discovery and development. Frontiers in Medicine. Т. 10. doi:10.3389/fmed.2023.1146896. ISSN 2296-858X. PMC 9989304. PMID 36895719. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
30. Mavromatis, Lucas A.; Rosoff, Daniel B.; Bell, Andrew S.; Jung, Jeesun; Wagner, Josephin; Lohoff, Falk W. (19 квітня 2023). Multi-omic underpinnings of epigenetic aging and human longevity. Nature Communications (англ.). Т. 14, № 1. с. 2236. doi:10.1038/s41467-023-37729-w. ISSN 2041-1723. PMC 10115892. PMID 37076473. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
31. Liu, Xiao-Ying; Mei, Xin-Yue (2023). Prediction of drug sensitivity based on multi-omics data using deep learning and similarity network fusion approaches. Frontiers in Bioengineering and Biotechnology. Т. 11. doi:10.3389/fbioe.2023.1156372. ISSN 2296-4185. PMC 10150883. PMID 37139048. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
32. Wang, Conghao; Lye, Xintong; Kaalia, Rama; Kumar, Parvin; Rajapakse, Jagath C. (28 листопада 2022). Deep learning and multi-omics approach to predict drug responses in cancer. BMC Bioinformatics. Т. 22, № 10. с. 632. doi:10.1186/s12859-022-04964-9. ISSN 1471-2105. PMC 9703655. PMID 36443676. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
33. Athieniti, Efi; Spyrou, George M. (1 січня 2023). A guide to multi-omics data collection and integration for translational medicine. Computational and Structural Biotechnology Journal (англ.). Т. 21. с. 134—149. doi:10.1016/j.csbj.2022.11.050. ISSN 2001-0370. PMC 9747357. PMID 36544480. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
34. Cao, Zhi-Jie; Gao, Ge (2022-10). Multi-omics single-cell data integration and regulatory inference with graph-linked embedding. Nature Biotechnology (англ.). Т. 40, № 10. с. 1458—1466. doi:10.1038/s41587-022-01284-4. ISSN 1546-1696. PMC 9546775. PMID 35501393. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
35. Vahabi, Nasim; Michailidis, George (2022). Unsupervised Multi-Omics Data Integration Methods: A Comprehensive Review. Frontiers in Genetics. Т. 13. doi:10.3389/fgene.2022.854752. ISSN 1664-8021. PMC 8981526. PMID 35391796. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
36. Flores, Javier E.; Claborne, Daniel M.; Weller, Zachary D.; Webb-Robertson, Bobbie-Jo M.; Waters, Katrina M.; Bramer, Lisa M. (2023). Missing data in multi-omics integration: Recent advances through artificial intelligence. Frontiers in Artificial Intelligence. Т. 6. doi:10.3389/frai.2023.1098308. ISSN 2624-8212. PMC 9949722. PMID 36844425. Процитовано 12 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
37. . Personalized Medicine Coalition. Архів оригіналу за 19 лютого 2019. Процитовано 26 квітня 2014.
38. Lu YF, Goldstein DB, Angrist M, Cavalleri G (July 2014). Personalized medicine and human genetic diversity. Cold Spring Harbor Perspectives in Medicine. 4 (9): a008581. doi:10.1101/cshperspect.a008581. PMC 4143101. PMID 25059740.
39. Ogino S, Lochhead P, Chan AT, Nishihara R, Cho E, Wolpin BM, Meyerhardt JA, Meissner A, Schernhammer ES, Fuchs CS, Giovannucci E (April 2013). Molecular pathological epidemiology of epigenetics: emerging integrative science to analyze environment, host, and disease. Modern Pathology. 26 (4): 465—84. doi:10.1038/modpathol.2012.214. PMC 3637979. PMID 23307060. {{}}: Недійсний |displayauthors=6 ()
40. Ogino, Shuji; Fuchs, Charles S; Giovannucci, Edward (July 2012). How many molecular subtypes? Implications of the unique tumor principle in personalized medicine. Expert Review of Molecular Diagnostics. 12 (6): 621—628. doi:10.1586/erm.12.46. PMC 3492839. PMID 22845482.
41. Haines JL, Hauser MA, Schmidt S, Scott WK, Olson LM, Gallins P, Spencer KL, Kwan SY, Noureddine M, Gilbert JR, Schnetz-Boutaud N, Agarwal A, Postel EA, Pericak-Vance MA (April 2005). Complement factor H variant increases the risk of age-related macular degeneration. Science. 308 (5720): 419—21. Bibcode:2005Sci...308..419H. doi:10.1126/science.1110359. PMID 15761120. {{}}: Недійсний |displayauthors=6 ()
42. A Catalog of Published Genome-Wide Association Studies. Процитовано 28 червня 2015.
43. Carney W (2006). (PDF). Connection. 9: 25—27. Архів оригіналу (PDF) за 4 березня 2016. Процитовано 21 листопада 2022.
44. Telli ML, Hunt SA, Carlson RW, Guardino AE (August 2007). Trastuzumab-related cardiotoxicity: calling into question the concept of reversibility. Journal of Clinical Oncology. 25 (23): 3525—33. doi:10.1200/JCO.2007.11.0106. PMID 17687157.
45. Saglio G, Morotti A, Mattioli G, Messa E, Giugliano E, Volpe G, Rege-Cambrin G, Cilloni D (December 2004). Rational approaches to the design of therapeutics targeting molecular markers: the case of chronic myelogenous leukemia. Annals of the New York Academy of Sciences. 1028 (1): 423—31. Bibcode:2004NYASA1028..423S. doi:10.1196/annals.1322.050. PMID 15650267. {{}}: Недійсний |displayauthors=6 ()
46. Pleasance E, Titmuss E, Williamson L, Kwan H, Culibrk L, Zhao EY, Dixon K, Fan K, Bowlby R, Jones MR, Shen Y, Grewal JK, Ashkani J, Wee K, Grisdale CJ, Thibodeau ML, Bozoky Z, Pearson H, Majounie E, Vira T, Shenwai R, Mungall KL, Chuah E, Davies A, Warren M, Reisle C, Bonakdar M, Taylor GA, Csizmok V, Chan SK, Zong Z, Bilobram S, Muhammadzadeh A, D'Souza D, Corbett RD, MacMillan D, Carreira M, Choo C, Bleile D, Sadeghi S, Zhang W, Wong T, Cheng D, Brown SD, Holt RA, Moore RA, Mungall AJ, Zhao Y, Nelson J, Fok A, Ma Y, Lee MK, Lavoie JM, Mendis S, Karasinska JM, Deol B, Fisic A, Schaeffer DF, Yip S, Schrader K, Regier DA, Weymann D, Chia S, Gelmon K, Tinker A, Sun S, Lim H, Renouf DJ, Laskin J, Jones SJ, Marra MA (2020). Pan-cancer analysis of advanced patient tumours reveals interactions between therapy and genomic landscapes. Nature Cancer. 1 (4): 452—468. doi:10.1038/s43018-020-0050-6. PMID 35121966. {{}}: Недійсний |displayauthors=3 ()
47. Kronfol, Mohamad M.; Dozmorov, Mikhail G.; Huang, Rong; Slattum, Patricia W.; McClay, Joseph L. (2 січня 2017). The role of epigenomics in personalized medicine. Expert Review of Precision Medicine and Drug Development (англ.). Т. 2, № 1. с. 33—45. doi:10.1080/23808993.2017.1284557. ISSN 2380-8993. PMC 5737812. PMID 29276780. Процитовано 20 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
48. Moran, Sebastián; Martinez-Cardús, Anna; Boussios, Stergios; Esteller, Manel (2017-11). Precision medicine based on epigenomics: the paradigm of carcinoma of unknown primary. Nature Reviews Clinical Oncology (англ.). Т. 14, № 11. с. 682—694. doi:10.1038/nrclinonc.2017.97. ISSN 1759-4782. Процитовано 20 червня 2023.
49. Hawkins-Hooker, Alex; Visonà, Giovanni; Narendra, Tanmayee; Rojas-Carulla, Mateo; Schölkopf, Bernhard; Schweikert, Gabriele (14 лютого 2022). Getting Personal with Epigenetics: Towards Machine-Learning-Assisted Precision Epigenomics (англ.). doi:10.1101/2022.02.11.479115. Процитовано 20 червня 2023.
50. Hull, Rodney; Ramagaga, Serwalo; Nkosi, Nomsa; Marina, Rahaba; Kabahuma, Rosemary I.; Dlamini, Zodwa (2023). Dlamini, Zodwa (ред.). Epigenetics Analysis Using Artificial Intelligence in the Era of Precision Oncology. Artificial Intelligence and Precision Oncology: Bridging Cancer Research and Clinical Decision Support (англ.). Cham: Springer Nature Switzerland. с. 117—137. doi:10.1007/978-3-031-21506-3_6. ISBN .
51. Lazzari C, Spreafico A, Bachi A, Roder H, Floriani I, Garavaglia D, Cattaneo A, Grigorieva J, Viganò MG, Sorlini C, Ghio D, Tsypin M, Bulotta A, Bergamaschi L, Gregorc V (January 2012). Changes in plasma mass-spectral profile in course of treatment of non-small cell lung cancer patients with epidermal growth factor receptor tyrosine kinase inhibitors. Journal of Thoracic Oncology. 7 (1): 40—8. doi:10.1097/JTO.0b013e3182307f17. PMID 21964534. {{}}: Недійсний |displayauthors=6 ()
52. Role of respiratory proteomics in precision medicine. Precision Medicine for Investigators, Practitioners and Providers. Academic Press. 2020. с. 255—261. doi:10.1016/B978-0-12-819178-1.00024-1. ISBN .
53. Fujii K, Nakamura H, Nishimura T (April 2017). Recent mass spectrometry-based proteomics for biomarker discovery in lung cancer, COPD, and asthma. Expert Review of Proteomics. 14 (4): 373—386. doi:10.1080/14789450.2017.1304215. PMID 28271730.
54. (PDF). U.S. Food and Drug Administration (FDA). October 2013. Архів оригіналу (PDF) за 23 січня 2014. Процитовано 28 квітня 2014.
55. . Personalized Medicine Coalition. Архів оригіналу за 19 грудня 2017. Процитовано 26 квітня 2014.
56. Hamburg MA, Collins FS (July 2010). The path to personalized medicine. The New England Journal of Medicine. 363 (4): 301—4. doi:10.1056/nejmp1006304. PMID 20551152.
57. Exploring Personal Genomics. Oxford: Oxford University Press. 2014.
58. Ellsworth RE, Decewicz DJ, Shriver CD, Ellsworth DL (May 2010). Breast cancer in the personal genomics era. Current Genomics. 11 (3): 146—61. doi:10.2174/138920210791110951. PMC 2878980. PMID 21037853.
59. Grand Challenges - Engineer Better Medicines. www.engineeringchallenges.org. Процитовано 3 серпня 2020.
60. Soni A, Gowthamarajan K, Radhakrishnan A (March 2018). Personalized Medicine and Customized Drug Delivery Systems: The New Trend of Drug Delivery and Disease Management. International Journal of Pharmaceutical Compounding. 22 (2): 108—121. PMID 29877858.
61. Xie J, Lee S, Chen X (August 2010). Nanoparticle-based theranostic agents. Advanced Drug Delivery Reviews. Personalized Medicine. Academic Press. 62 (11): 1064—79. doi:10.1016/j.addr.2010.07.009. PMC 2988080. PMID 20691229.
62. Wang J, Poon C, Chin D, Milkowski S, Lu V, Hallows KR, Chung EJ (1 жовтня 2018). Design and in vivo characterization of kidney-targeting multimodal micelles for renal drug delivery. Nano Research. 11 (10): 5584—5595. doi:10.1007/s12274-018-2100-2.
63. Williams MS (August 2019). Early Lessons from the Implementation of Genomic Medicine Programs. Annual Review of Genomics and Human Genetics. 20 (1): 389—411. doi:10.1146/annurev-genom-083118-014924. PMID 30811224.
64. Thomas M, Sakoda LC, Hoffmeister M, Peters U, Hsu L (September 2020). Genome-wide Modeling of Polygenic Risk Score in Colorectal Cancer Risk. Am J Hum Genet. 107 (3): 432—444. doi:10.1016/j.ajhg.2020.07.006. PMC 7477007. PMID 32758450.
65. Khera AV, Chaffin M, Aragam KG, Haas ME, Roselli C, Choi SH, Natarajan P, Lander ES, Lubitz SA, Ellinor PT, Kathiresan S (September 2018). Genome-wide polygenic scores for common diseases identify individuals with risk equivalent to monogenic mutations. Nat Genet. 50 (9): 1219—1224. doi:10.1038/s41588-018-0183-z. PMC 6128408. PMID 30104762.
66. Marnetto D, Pärna K, Läll K, Molinaro L, Montinaro F, Haller T, Metspalu M, Mägi R, Fischer K, Pagani L (April 2020). Ancestry deconvolution and partial polygenic score can improve susceptibility predictions in recently admixed individuals. Nat. Commun. 11 (1): 1628. Bibcode:2020NatCo..11.1628M. doi:10.1038/s41467-020-15464-w. PMC 7118071. PMID 32242022.
67. Wang Y, Guo J, Ni G, Yang J, Visscher PM, Yengo L (July 2020). Theoretical and empirical quantification of the accuracy of polygenic scores in ancestry divergent populations. Nat. Commun. 11 (1): 3865. Bibcode:2020NatCo..11.3865W. doi:10.1038/s41467-020-17719-y. PMC 7395791. PMID 32737319.
68. Martin AR, Kanai M, Kamatani Y, Okada Y, Neale BM, Daly MJ (April 2019). Clinical use of current polygenic risk scores may exacerbate health disparities. Nat Genet. 51 (4): 584—591. doi:10.1038/s41588-019-0379-x. PMC 6563838. PMID 30926966.
69. Lewis CM, Vassos E (May 2020). Polygenic risk scores: from research tools to clinical instruments. Genome Med. 12 (1): 44. doi:10.1186/s13073-020-00742-5. PMC 7236300. PMID 32423490.{{}}: Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
70. Mesko B (2017). Expert Review of Precision Medicine and Drug Development. Journal Expert Review of Precision Medicine and Drug Development. 2 (5): 239—241. doi:10.1080/23808993.2017.1380516.
71. Ray, Amit (20 травня 2018). Artificial Intelligence and Blockchain for Precision Medicine. Inner Light Publishers. Процитовано 21 травня 2018.
72. Beacher, Felix D.; Mujica-Parodi, Lilianne R.; Gupta, Shreyash; Ancora, Leonardo A. (5 травня 2021). Machine Learning Predicts Outcomes of Phase III Clinical Trials for Prostate Cancer. Algorithms. 14 (5): 147. doi:10.3390/a14050147.
73. Tang, Xiao-Yan; Wu, Shanshan; Wang, Da; Chu, Chu; Hong, Yuan; Tao, Mengdan; Hu, Hao; Xu, Min; Guo, Xing (24 травня 2022). Human organoids in basic research and clinical applications. Signal Transduction and Targeted Therapy (англ.). Т. 7, № 1. с. 1—17. doi:10.1038/s41392-022-01024-9. ISSN 2059-3635. PMC 9127490. PMID 35610212. Процитовано 7 жовтня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
74. Zhao, Zixuan; Chen, Xinyi; Dowbaj, Anna M.; Sljukic, Aleksandra; Bratlie, Kaitlin; Lin, Luda; Fong, Eliza Li Shan; Balachander, Gowri Manohari; Chen, Zhaowei (1 грудня 2022). Organoids. Nature Reviews Methods Primers (англ.). Т. 2, № 1. с. 1—21. doi:10.1038/s43586-022-00174-y. ISSN 2662-8449. Процитовано 10 червня 2023.
75. Bose, Shree; Clevers, Hans; Shen, Xiling (2021-09). Promises and challenges of organoid-guided precision medicine. Med. Т. 2, № 9. с. 1011—1026. doi:10.1016/j.medj.2021.08.005. ISSN 2666-6340. PMC 8492003. PMID 34617071. Процитовано 10 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
76. Ingber, Donald E. (2022-08). Human organs-on-chips for disease modelling, drug development and personalized medicine. Nature Reviews Genetics (англ.). Т. 23, № 8. с. 467—491. doi:10.1038/s41576-022-00466-9. ISSN 1471-0064. Процитовано 6 серпня 2023.
77. Leung, Chak Ming; de Haan, Pim; Ronaldson-Bouchard, Kacey; Kim, Ge-Ah; Ko, Jihoon; Rho, Hoon Suk; Chen, Zhu; Habibovic, Pamela; Jeon, Noo Li (12 травня 2022). A guide to the organ-on-a-chip. Nature Reviews Methods Primers (англ.). Т. 2, № 1. с. 1—29. doi:10.1038/s43586-022-00118-6. ISSN 2662-8449. Процитовано 6 серпня 2023.
78. Zhu, Jialong; Ji, Linlin; Chen, Yitian; Li, Huiyu; Huang, Mengxi; Dai, Zhe; Wang, Jing; Xiang, Dan; Fu, Gongbo (22 лютого 2023). Organoids and organs-on-chips: insights into predicting the efficacy of systemic treatment in colorectal cancer. Cell Death Discovery (англ.). Т. 9, № 1. с. 1—12. doi:10.1038/s41420-023-01354-9. ISSN 2058-7716. Процитовано 6 серпня 2023.
79. Heydari, Zahra; Moeinvaziri, Farideh; Agarwal, Tarun; Pooyan, Paria; Shpichka, Anastasia; Maiti, Tapas K.; Timashev, Peter; Baharvand, Hossein; Vosough, Massoud (1 грудня 2021). Organoids: a novel modality in disease modeling. Bio-Design and Manufacturing (англ.). Т. 4, № 4. с. 689—716. doi:10.1007/s42242-021-00150-7. ISSN 2522-8552. PMC 8349706. PMID 34395032. Процитовано 10 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
80. Vandana, J. Jeya; Manrique, Cassandra; Lacko, Lauretta A.; Chen, Shuibing (2023-05). Human pluripotent-stem-cell-derived organoids for drug discovery and evaluation. Cell Stem Cell. Т. 30, № 5. с. 571—591. doi:10.1016/j.stem.2023.04.011. ISSN 1934-5909. Процитовано 10 червня 2023.
81. Matsui, Toshikatsu; Shinozawa, Tadahiro (2021). Human Organoids for Predictive Toxicology Research and Drug Development. Frontiers in Genetics. Т. 12. doi:10.3389/fgene.2021.767621. ISSN 1664-8021. PMC 8591288. PMID 34790228. Процитовано 10 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
82. Lenin, Sakthi; Ponthier, Elise; Scheer, Kaitlin G.; Yeo, Erica C. F.; Tea, Melinda N.; Ebert, Lisa M.; Oksdath Mansilla, Mariana; Poonnoose, Santosh; Baumgartner, Ulrich (2021-01). A Drug Screening Pipeline Using 2D and 3D Patient-Derived In Vitro Models for Pre-Clinical Analysis of Therapy Response in Glioblastoma. International Journal of Molecular Sciences (англ.). Т. 22, № 9. с. 4322. doi:10.3390/ijms22094322. ISSN 1422-0067. PMC 8122466. PMID 33919246. Процитовано 10 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
83. Liu, Yingjuan; Xu, Honglin; Abraham, Sabu; Wang, Xin; Keavney, Bernard D. (21 грудня 2022). Progress of 3D Organoid Technology for Preclinical Investigations: Towards Human In Vitro Models. International Journal of Drug Discovery and Pharmacology (англ.). с. 9—9. doi:10.53941/ijddp.v1i1.188. ISSN 2653-6234. Процитовано 10 червня 2023.
84. Szűcs, Diána; Fekete, Zsolt; Guba, Melinda; Kemény, Lajos; Jemnitz, Katalin; Kis, Emese; Veréb, Zoltán (6 січня 2023). . International Journal of Bioprinting (амер.). Т. 9, № 2. doi:10.18063/ijb.v9i2.663. PMC 10090537. PMID 37065668. Архів оригіналу за 10 червня 2023. Процитовано 10 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
85. Sereti, Evangelia; Papapostolou, Irida; Dimas, Konstantinos (2023-03). Pancreatic Cancer Organoids: An Emerging Platform for Precision Medicine?. Biomedicines (англ.). Т. 11, № 3. с. 890. doi:10.3390/biomedicines11030890. ISSN 2227-9059. PMC 10046065. PMID 36979869. Процитовано 10 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом () Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
86. Revah, Omer; Gore, Felicity; Kelley, Kevin W.; Andersen, Jimena; Sakai, Noriaki; Chen, Xiaoyu; Li, Min-Yin; Birey, Fikri; Yang, Xiao (2022-10). Maturation and circuit integration of transplanted human cortical organoids. Nature (англ.). Т. 610, № 7931. с. 319—326. doi:10.1038/s41586-022-05277-w. ISSN 1476-4687. Процитовано 7 жовтня 2023.
87. Cao, Shi-Ying; Yang, Di; Huang, Zhen-Quan; Lin, Yu-Hui; Wu, Hai-Yin; Chang, Lei; Luo, Chun-Xia; Xu, Yun; Liu, Yan (30 травня 2023). Cerebral organoids transplantation repairs infarcted cortex and restores impaired function after stroke. npj Regenerative Medicine (англ.). Т. 8, № 1. doi:10.1038/s41536-023-00301-7. ISSN 2057-3995. PMC 10229586. PMID 37253754. Процитовано 10 червня 2023.{{}}: Обслуговування CS1: Сторінки з PMC з іншим форматом ()
88. . Personalized Medicine Coalition. Архів оригіналу за 3 травня 2014. Процитовано 26 квітня 2014.
89. Vayena E, Blasimme A, Cohen IG (November 2018). Machine learning in medicine: Addressing ethical challenges. PLOS Medicine. 15 (11): e1002689. doi:10.1371/journal.pmed.1002689. PMC 6219763. PMID 30399149.{{}}: Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
90. Analyze Genomes: Motivation. Hasso Plattner Institute. 27 червня 2013. Процитовано 20 липня 2014.
91. (PDF). U.S. Food and Drug Administration (FDA). October 2013. Архів оригіналу (PDF) за 23 січня 2014. Процитовано 28 квітня 2014.
92. Frueh FW (September 2013). Regulation, reimbursement, and the long road of implementation of personalized medicine--a perspective from the United States. Value in Health. 16 (6 Suppl): S27-31. doi:10.1016/j.jval.2013.06.009. PMID 24034309.
93. Intellectual Property Issues Impacting the Future of Personalized Medicine. American Intellectual Property Law Association. Процитовано 26 квітня 2014.^{[недоступне посилання з 01.11.2016]}
94. Weldon CB, Trosman JR, Gradishar WJ, Benson AB, Schink JC (July 2012). Barriers to the use of personalized medicine in breast cancer. Journal of Oncology Practice. 8 (4): e24-31. doi:10.1200/jop.2011.000448. PMC 3396824. PMID 23180995.
95. Char DS, Shah NH, Magnus D (March 2018). Implementing Machine Learning in Health Care - Addressing Ethical Challenges. The New England Journal of Medicine. 378 (11): 981—983. doi:10.1056/NEJMp1714229. PMC 5962261. PMID 29539284.
96. Chernew ME, (March 2018). Targeted Supplemental Data Collection - Addressing the Quality-Measurement Conundrum. The New England Journal of Medicine. 378 (11): 979—981. doi:10.1056/NEJMp1713834. PMID 29539286.
97. Gijsberts CM, Groenewegen KA, Hoefer IE, Eijkemans MJ, Asselbergs FW, Anderson TJ та ін. (2 липня 2015). Race/Ethnic Differences in the Associations of the Framingham Risk Factors with Carotid IMT and Cardiovascular Events. PLOS ONE. 10 (7): e0132321. Bibcode:2015PLoSO..1032321G. doi:10.1371/journal.pone.0132321. PMC 4489855. PMID 26134404.
98. Yngvadottir B, Macarthur DG, Jin H, Tyler-Smith C (2009). The promise and reality of personal genomics. Genome Biology. 10 (9): 237. doi:10.1186/gb-2009-10-9-237. PMC 2768970. PMID 19723346.{{}}: Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом ()
99. Fernald GH, Capriotti E, Daneshjou R, Karczewski KJ, Altman RB (July 2011). Bioinformatics challenges for personalized medicine. Bioinformatics. 27 (13): 1741—8. doi:10.1093/bioinformatics/btr295. PMC 3117361. PMID 21596790.
100. Personalised and precise healthcare means a better quality of life for patients. future proofing healthcare. Процитовано 17 листопада 2022.
101. Building long term sustainable and personalised healthcare systems. Economist. 28 січня 2021. Процитовано 17 листопада 2022.
102. Ireland performs poorly on international index of personalised healthcare. Irish Medical Times. 9 вересня 2021. Процитовано 17 листопада 2022.
103. Belcher, Andrea; Mangelsdorf, Marie; McDonald, Fiona; Curtis, Caitlin; Waddell, Nicola; Hussey, Karen (June 2019). What does Australia's investment in genomics mean for public health?. Australian and New Zealand Journal of Public Health. 43 (3): 204—206. doi:10.1111/1753-6405.12887. PMID 30830712.