Dr. sc. Marko Loparić liječnik je i znanstvenik koji se više od 20 godina bavi povezivanjem istraživanja i kliničke primjene, ponajprije u onkologiji. Njegova tvrtka ARTIDIS razvija metodu kojom se iz uzorka biopsije mjere mehanička svojstva tumorskog tkiva na razini pojedinačnih stanica, stvarajući svojevrstan nanomehanički potpis tumora.

Tijekom njegovog posjeta Hrvatskoj i sudjelovanja na konferenciji Healthtech Adria, iskoristili smo priliku da porazgovaramo s dr. Loparićem o tome što fizička svojstva tumora mogu otkriti, može li takav pristup pomoći u procjeni agresivnosti bolesti i odabiru terapije te kako se znanstveno otkriće iz Basela pokušava prenijeti u američku kliničku praksu.

Dr. Loparić je jedan od autora rada objavljenog 2012. godine u časopisu Nature Nanotechnology, u kojem je istraživana povezanost mehaničkih svojstava stanica raka dojke i njihova širenja. Danas ARTIDIS tu istraživačku liniju nastoji prenijeti u klinička istraživanja u suradnji s vodećim onkološkim centrima u Europi i SAD-u.

'Rak nije samo genetska, nego i fizička bolest'

Koliko su zapravo važna fizička svojstva tumorskih stanica i tkiva?

Rak se najčešće promatra kroz prizmu gena i mutacija, no za njegovo širenje ključni su i vrlo konkretni fizički procesi. Geni i mutacije su polazište – oni određuju funkcionalne sposobnosti raka. No samo širenje tumora u osnovi je fizički proces. Da bi nastala metastaza, stanica raka mora se odvojiti od tumora, probiti kroz gusto okolno tkivo, ući u krvnu ili limfnu žilu, preživjeti put krvotokom i zatim se ponovno probiti u tkivo drugog organa. Svaki je od tih koraka mehanička prepreka: stanica se mora deformirati i 'provlačiti'.

Zato rak nije samo genetska, nego i fizička bolest. Tumori se mogu jako razlikovati po mutacijama, ali da bi se proširili, svi moraju riješiti isti fizički problem. Fizička svojstva tako su mjesto na kojem se mnoge različite molekularne promjene pretvaraju u funkcionalne karakteristike tumora.

Nije slučajno to da je mehanobiologija raka danas jedno od područja onkoloških istraživanja koja se brzo razvijaju.

Što točno omogućuje stanici raka da se probije kroz zdravo tkivo i proširi na druga mjesta u organizmu?

Nije riječ o jednoj prilagodbi, nego o njihovoj kombinaciji. Prvo, stanica raka prekida veze sa susjednim stanicama i odvaja se od njih. Drugo, okolno tkivo raka gusta je mreža kolagenskih vlakana s prolazima koji su često uži od same stanice, pa se ona, a osobito njezina jezgra, mora oblikom prilagoditi da bi se 'provukla' i metastazirala.

Treće, stanice raka mogu prokrčiti put izlučujući enzime koji razgrađuju okolno vezivno tkivo. Pritom im često pomaže i sama okolina tumora.

Na kraju slijedi možda najzahtjevniji dio: stanica mora preživjeti u krvotoku i prilagoditi se novom organu. U tome uspijeva tek malen dio njih koje napuste tumor – i upravo su zato opasne one koje imaju pravu kombinaciju fizičkih i bioloških osobina.

Po čemu se mehanička svojstva stanica raka razlikuju od zdravih stanica? Postoji li nešto što tumoru daje svojevrsnu 'fizičku prednost'?

Tu postoji zanimljiv paradoks. Tumor je na dodir često tvrđi od okolnog tkiva, ali same stanice raka u pravilu su mekše i lakše se deformiraju od zdravih stanica. Tvrdoća dolazi od okoline: oko tumora se nakuplja i zgušnjava vezivno tkivo dok stanice raka, kroz interakciju s okolinom, posljedično postaju elastičnije.

To smo pokazali u radu objavljenom 2012. godine u časopisu Nature Nanotechnology, u kojem smo uzorke biopsija dojke mjerili na razini pojedinih stanica. Zdravo tkivo, kao i tkivo s dobroćudnim promjenama, imalo je ujednačen mehanički profil. Zloćudno tkivo bilo je mnogo raznolikije i imalo je izražen visok stupanj elastičnosti.

Visoka elastičnost jest svojevrsna fizička prednost: deformabilnija stanica lakše se 'provlači' kroz uske prolaze okolnog tkiva, što je prepreka za zdrave stanice.

Kako se stanica raka mijenja

Možemo li pojednostavljeno reći da stanice raka mijenjaju svoju fizičku strukturu kako bi postale sposobnije za invaziju? Što se pritom događa na razini stanice?

Pojednostavljeno – da, uz jednu važnu ispravku: stanica to ne čini s namjerom. Riječ je o svojevrsnoj evoluciji u pojedinom organu. U tumoru nastaje mnoštvo stanica različitih svojstava, a one koje su deformabilnije i pokretljivije imaju prednost i upravo su one odgovorne za formiranje metastaza.

Na razini pojedine stanice ponajprije se mijenja citoskelet – unutarnja 'skela' od proteinskih vlakana koja joj daje oblik i čvrstoću. U stanici raka ta skela postaje manje kruta i dinamičnija, pa lakše i brže mijenja oblik.

Tako gubi dio veza sa susjednim stanicama, stvara izdanke kojima napreduje kroz okolno tkivo i razgrađuje ga, a način kretanja prilagođava preprekama na koje nailazi. Mijenja se i jezgra, koja predstavlja najveći dio stanice i često i najveću prepreku pri prolasku kroz okolno tkivo.

Zanimljivo je to da 'provlačenje' kroz uske prostore okolnog tkiva može oštetiti jezgru i DNK u njoj, što može dodatno pridonijeti genetskoj nestabilnosti tumora. Fizika i genetika tako su povezane u oba smjera.

Koliku ulogu u širenju tumora imaju okolno tkivo i njegovo fizičko okruženje? Može li se tumor promatrati kao sustav u kojem nisu važne samo stanice raka nego i njihova 'okolina'?

Ne samo da može – danas ga tako i promatramo u standardnom modelu. Tumor nije samo nakupina stanica raka nego cijeli ekosustav: u njemu su i stanice vezivnog tkiva, imunosne stanice, krvne žile te izvanstanični matriks, mreža kolagenskih i drugih vlakana koja drži tkivo na okupu.

Engleski kirurg Stephen Paget još je 1889. godine opisao metastaziranje kao rezultat komunikacije između stanica raka ('sjemena') i okolnog tkiva ('tla'), pri čemu je uloga tla jednako važna kao i sjemena.

Tumor aktivno preoblikuje svoju okolinu. Kolagenska vlakna se zatežu i poravnavaju pa mogu poslužiti kao svojevrsne 'tračnice' po kojima stanice raka putuju. Gusta okolina stanicama šalje signale koji potiču rast i pokretljivost stanica raka, a kod izrazito agresivnih tumora predstavlja i fizičku prepreku imunosnim stanicama ili lijekovima koji zbog toga ne mogu doprijeti do stanica raka.

Zato u ARTIDIS-u ne mjerimo samo stanice raka, nego i njihovu okolinu – okolno vezivno tkivo, imunosno okruženje i fizičke prepreke koje zajedno daju smisleniju sliku tumora.

Može li se agresivnost tumora izmjeriti?

Može li mjerenje fizičkih svojstava tumora pomoći u procjeni koliko je neki tumor agresivan ili sklon metastaziranju?

To je upravo jedno od glavnih pitanja koja istražujemo. U našem radu iz 2012. godine, na modelu raka dojke, migracija stanica i širenje tumora bili su povezani s elastičnošću stanica raka iz dijelova tumora sa slabom opskrbom kisikom. I mnogi laboratorijski radovi drugih skupina pokazuju da su invazivnije stanice raka u pravilu mekše i deformabilnije.

No laboratorij i pacijent nisu isto. Zato u kliničkim istraživanjima s partnerima kao što je MD Anderson Cancer Center u Houstonu ispitujemo može li nanomehanički potpis tumora pomoći u procjeni njegove agresivnosti, sklonosti širenju i odgovora na terapiju.

Od laboratorija do pacijenta

Znanstveno otkriće može biti fascinantno, ali put do pacijenta često traje godinama. Zašto je taj put toliko dug?

Zato što svaki korak na tom putu odgovara na drugo pitanje, a za svaki je potreban zaseban dokaz. Radi li pouzdano – na svakom uređaju, sa svakim operaterom, svaki dan? Radi li na stvarnim pacijentima u stvarnim bolnicama? Mijenja li odluke liječnika i koristi li pacijentu? I na kraju: je li proizvod siguran i izrađen prema strogim standardima kvalitete, je li ga odobrio regulator – i hoće li ga netko platiti?

Većina se tih koraka ne može preskočiti ni odraditi usporedno. Veliku kliničku studiju ne možete pokrenuti dok uređaj nije dovršen jer njezini rezultati vrijede samo za onu verziju uređaja koja je ispitana.

Prva prospektivna klinička studija provedena je u Baselu od 2016. do 2019. godine na 545 pacijenata, a velika međunarodna studija ANGEL počela je 2023. godine na više od 2700 pacijenata. Često citirana analiza iz 2011. procijenila je da medicinskim istraživanjima u prosjeku treba oko 17 godina da stignu do svakodnevne prakse. Taj put pokušavamo skratiti, ali ne na račun dokaza.

Koja je najčešća točka na kojoj dobre znanstvene ideje zapnu prije nego što postanu stvarna medicinska inovacija?

Ta točka ima i ime – u svijetu inovacija naziva se 'dolinom smrti'. To je razdoblje između obećavajućeg akademskog rezultata i prvih ozbiljnih kliničkih dokaza.

Akademski projekti tu obično završavaju jer su namijenjeni otkrićima, a ne razvoju proizvoda, što je potencijalnim ulagačima često prerano i prerizično. A posao koji tada treba obaviti manje je spektakularan od samog otkrića: od laboratorijskog prototipa napraviti pouzdan uređaj, uvesti sustav upravljanja kvalitetom, standardizirati postupke, validirati softver i dokazati ponovljivost.

Za to su potrebne drukčije profesije, znanja i vještine nego kod pisanja znanstvenih radova.

Druga česta zapreka jest pogrešno postavljeno pitanje. Tehnologija može biti briljantna, a da ne rješava problem koji liječnici smatraju važnim ili se ne uklapa u njihov radni dan. Zato mladim timovima uvijek savjetujem da od prvog dana razgovaraju s liječnicima i odgovore na tri pitanja: kojim je pacijentima namijenjena, u kojem trenutku tijekom kliničke obrade je namijenjena i koliko je poboljšanje koje donosi.

Što sve mora proći jedna inovativna dijagnostička tehnologija prije nego što je liječnik može sigurno koristiti u svakodnevnoj kliničkoj praksi?

Pojednostavljeno, pet velikih koraka. Prvi je dokaz koncepta – laboratorijska istraživanja i recenzirane publikacije. Drugi je razvoj proizvoda unutar certificiranog sustava upravljanja kvalitetom, uz sustavno upravljanje rizicima i validaciju softvera. Treći je analitička validacija: dokaz da uređaj mjeri točno i ponovljivo, na različitim uređajima, s različitim operaterima, u različito vrijeme i u različitim bolnicama. Četvrti je klinička validacija – prospektivna istraživanja na pacijentima kojima je test namijenjen, uz usporedbu s referentnom metodom, u našem slučaju s patohistološkim nalazom. Peti je regulatorno odobrenje: u Europi oznaka CE prema uredbama EU-a o medicinskim proizvodima, a u SAD-u odobrenje američke Agencije za hranu i lijekove, FDA. Na kraju, test netko mora platiti, mora ući u kliničke smjernice, liječnike treba educirati, a rezultate uklopiti u bolnički informatički sustav. I nakon uvođenja rad uređaja se stalno prati i optimizira.

'Sigurno' u dijagnostici ne znači samo da test izravno ne šteti. Pogrešan nalaz može naštetiti jednako kao i loš lijek – propuštenim rakom ili nepotrebnim liječenjem.

Zašto dobre tehnologije teško ulaze u zdravstveni sustav?

Koliko u tom procesu problem predstavljaju regulatorni zahtjevi, klinička istraživanja, financiranje i prihvaćanje nove tehnologije u zdravstvenom sustavu?

Regulativa nije neprijatelj – ona je zapisano iskustvo prošlih pogrešaka i štiti pacijente. Malim tvrtkama problem su nepredvidivost, trajanje i trošak. Prijelaz na nove uredbe EU-a o medicinskim proizvodima mnogim je inovatorima produljio i poskupio put do tržišta. Klinička istraživanja najskuplji su i najdugotrajniji dio te su za njih potrebne bolnice koje imaju dostatan broj pacijenata, vremena, osoblja i motivacije za istraživanje.

U financiranju studija Europska unija sudjeluje kroz programe za rane faze, od nacionalnih do europskih programa. Najzahtjevnija je klinička i regulatorna faza, za koju je američko tržište kapitala i dalje dublje.

Prihvaćanje je možda najviše podcijenjen dio. Zdravstveni sustavi uglavnom plaćaju postupke, a ne informacije. Nova procedura često uštedi novac drugdje – manje nepotrebnih zahvata ili neučinkovitih terapija – ali ta se ušteda ne vidi u proračunu iz kojeg se procedura plaća. A povjerenje liječnika dolazi tek s objavljenim solidnim znanstvenim dokazima i pozitivnim iskustvom kolega.

To nas dovodi do najbitnijeg pitanja - postoji li jaz između onoga što znanstvenici danas mogu napraviti u laboratoriju i onoga što zdravstveni sustavi mogu primijeniti u praksi? Gdje je taj jaz najveći?

Postoji i, bojim se, sve je veći. Mogućnosti laboratorija rastu vrlo brzo – sekvenciranje, analiza pojedinačnih stanica, nanotehnologija, umjetna inteligencija – a zdravstveni se sustavi sporo mijenjaju jer su često ograničeni proračunima, nedostatkom osoblja i zastarjelom infrastrukturom. Jaz je najveći na tri mjesta. Prvo, u podacima: bolnice ih često imaju raspršene po nepovezanim sustavima pa ni najbolji algoritam nema na čemu raditi. Drugo, u dokazima: mnogi su laboratorijski rezultati dobiveni na malim, pažljivo odabranim uzorcima i nikada nisu provjereni na širokoj, stvarnoj populaciji pacijenata. Treće, u ljudima: nedostaje stručnjaka koji govore oba jezika, znanstveni i klinički, i liječnika koji uz kliničku praksu imaju vremena za istraživanje.

Za našu regiju treba dodati da imamo izvrsne znanstvenike i liječnike, ali još premalo struktura koje ih povezuju – jedinica za klinička istraživanja, ureda za transfer tehnologije i rizičnog kapitala. Zato su važne inicijative kao što su NetHub i Healthtech Adria.

Kada biste mogli promijeniti jednu stvar u sustavu koji pretvara znanstvena otkrića u kliničke inovacije, što bi to bilo?

Promijenio bih ulogu bolnica. Danas su one uglavnom krajnji kupci inovacija ili mjesta na kojima se provode istraživanja. Bilo bi daleko efikasnije da sudjeluju kao ravnopravni partneri u razvoju inovacija i ispitivanju novih tehnologija. To znači i postojanje organiziranih timova za pomoć prilikom pokretanja suradnje na inovativnim projektima, korištenju standardiziranih ugovora te brzim odobrenjima, što omogućava pokretanje kliničkog istraživanja u roku od nekoliko tjedana, a ne mjeseci.

Takav je model primijenjen u Houstonu. Texas Medical Center, najveći medicinski kompleks na svijetu, ima vlastiti akcelerator u kojem liječnici, inženjeri i ulagači rade na istom mjestu. Kada je ARTIDIS 2019. godine izabran u taj program, kao jedan od 16 startupa među više od 140 prijavljenih, iz prve smo ruke vidjeli koliko se brže napreduje kad su klinika i razvoj povezani. Takav se ekosustav ne može preslikati preko noći, ali njegovu logiku – blizinu klinike i inovacije – možemo graditi i u Europi, pa i u Hrvatskoj.

AI u medicini: Pomoć liječniku, a ne zamjena

Umjetna inteligencija ulazi u gotovo svaki dio medicine. Gdje danas vidite njezinu najveću stvarnu vrijednost, a gdje se oko nje stvara više hypea nego stvarne koristi?

Najveću stvarnu vrijednost umjetna inteligencija danas ima ondje gdje je zadatak jasno definiran, gdje postoji mnogo kvalitetnih podataka i gdje rezultat provjerava liječnik. Najbolji je primjer analiza medicinskih slika. U velikom švedskom randomiziranom istraživanju probira raka dojke, u koje je bilo uključeno više od 80.000 žena, sustav umjetne inteligencije pomogao je otkriti barem jednako mnogo karcinoma kao standardno očitavanje dvaju radiologa.

Druga je velika vrijednost smanjenje administracije, koja liječnicima oduzima vrijeme namijenjeno pacijentima. Treća je istraživanje – primjerice, od analize golemih skupova podataka do predviđanja strukture proteina, za koje je 2024. godine dodijeljena i Nobelova nagrada za kemiju. Hype počinje kad se rezultati dobiveni na jednom skupu podataka predstavljaju kao univerzalna istina. Mnogi modeli odlično rade u bolnici u kojoj su razvijeni, na strogo definiranom skupu podataka, bez prave validacije stabilnosti algoritma.

Pretjerana su i obećanja da će AI zamijeniti liječnike. Vjerujem u AI koji liječniku daje kvalitetnije informacije u kratkom vremenu, s ciljem pružanja optimalne skrbi.

Može li AI pomoći liječnicima da iz podataka o tumoru prepoznaju obrasce koje ljudsko oko teško može uočiti?

Može, i to je jedno od najzanimljivijih područja primjene umjetne inteligencije. U digitalnoj patologiji pokazano je, primjerice, da algoritam iz standardnog, rutinski obojenog histološkog preparata može predvidjeti određene genetske osobine tumora, poput mikrosatelitske nestabilnosti kod raka probavnog sustava, koja je važna za odluku o primjeni imunoterapije.

Kod nas je slična situacija jer kod pojedinačne biopsije tkiva uređaj bilježi tisuće pojedinačnih mehaničkih mjerenja, što predstavlja gotovo nemoguću misiju za čovjeka. Zato je naš uređaj automatiziran i potpomognut umjetnom inteligencijom. No važno je razlikovati obrazac od njegova značenja. Umjetna inteligencija vrlo dobro pronalazi povezanosti, ali svaki obrazac treba provjeriti biološki i klinički prije nego što uđe u primjenu. Obrazac koji ne poboljšava liječenje ili ishod za pacijenta ostaje samo zanimljivost bez uporabne vrijednosti.

Kako spojiti AI s fizičkim i biološkim podacima o tumoru kako bi se dobila preciznija slika o ponašanju bolesti?

Svaka metoda vidi jedan sloj tumora. Slikovne metode vide anatomiju – gdje je tumor i koliko je velik. Patologija vidi građu tkiva i izgled stanica. Molekularne analize vide gene i receptore. Klinički podaci govore o pacijentu – o dobi, povijesti bolesti i dosadašnjem liječenju.

Nanomehanika tome dodaje funkcionalni sloj: kako se tkivo fizički ponaša. Umjetna inteligencija te slojeve može povezati u jednu kompleksnu sliku, što je za čovjeka višestruko zahtjevan proces. Pritom su ključni podaci, a ne algoritam. Podaci moraju potjecati od istog pacijenta, idealno i iz istog uzorka tkiva, moraju biti standardizirani, provjerene kvalitete i prikupljeni uz pristanak pacijenta i zaštitu privatnosti.

Zato smo razvili ARTIDIS Intelligence, podatkovnu platformu koja nanomehanička mjerenja povezuje s patohistološkim, genomskim, slikovnim i kliničkim podacima. Prednost je fizičkih mjerenja u tome što su izražena u mjernim jedinicama i što se mogu provjeravati na referentnim materijalima.

Koliko je problematično to ako AI u medicini donese zaključak koji liječnik ne može razumjeti ili objasniti? Trebamo li u medicini inzistirati na tome da AI bude 'objašnjiv'?

Problematično je, ali odgovor nije jednostavan. U medicini koristimo i lijekove za koje dugo nismo znali kako točno djeluju – Andol se koristio desetljećima prije nego što je razjašnjen mehanizam njegova djelovanja. Prihvatili smo ih jer su strogo ispitani u kliničkim istraživanjima.

Zato je za mene prvi uvjet validacija: dokaz da sustav pouzdano radi na pacijentima kojima je namijenjen.

Objašnjivost je drugi uvjet i važna je iz barem tri razloga. Liječnik snosi odgovornost i mora moći objasniti odluku pacijentu. Liječnik mora moći prepoznati kada je sustav izvan svog područja – primjerice kod profila pacijenta koji se razlikuje od populacije na kojoj je sustav učio.

Zato bi naglasak trebao biti na transparentnosti: na kojim je podacima sustav razvijen, kako je ispitan, gdje ne radi i koliko je siguran u konkretnom slučaju. To traži i europski Akt o umjetnoj inteligenciji te većinu medicinskih sustava umjetne inteligencije svrstava u visokorizične.

U našem radu nastojimo da se rezultati mogu povezati s fizički smislenim veličinama, poput mehanike tkiva, koje liječnik može razumjeti. Isto tako, umjetna inteligencija najčešće se koristi kao nadogradnja analize odrađene pomoću fizičkih i matematičkih modela te nikad kao prvi odabir.

Kako će izgledati liječenje raka za deset godina?

Ako pogledamo pet do deset godina unaprijed, što bi po vašem mišljenju moglo biti najveća promjena koju će AI i nove tehnologije donijeti u dijagnostici i liječenju raka?

Mislim da će najveća promjena biti prijelaz s pitanja 'je li ovo rak?' na pitanje 'kako će se baš ovaj tumor ponašati i koja će primarna terapija pomoći baš ovom pacijentu za najpovoljniji ishod liječenja?' – i to već u trenutku dijagnoze ili i daleko prije prvih simptoma, u ranoj fazi. Poanta je u tome da se uz pomoć AI-a napravi personalizirani program probira gdje se maligne promjene detektiraju u najranijoj fazi.

Danas pacijent nakon biopsije često danima ili tjednima čeka da se svi nalazi slože, što značajno produljuje vrijeme do početka liječenja. Vjerujem da ćemo za pet do deset godina u realnom vremenu moći povezati slikovnu dijagnostiku, patologiju, molekularne podatke, analizu krvi – uključujući takozvanu tekuću biopsiju – i fizička svojstva tkiva u jednu cjelovitu sliku, uz pomoć umjetne inteligencije.

Liječenje će se češće prilagođavati na temelju ranih znakova odgovora, prije nego što promjene postanu vidljive na snimkama.

Druga velika promjena bit će manje tehnološka, a više organizacijska: podaci će sigurnije i lakše putovati između bolnica i država, čemu bi trebao pridonijeti i Europski prostor za zdravstvene podatke.

A možda najvažnije – ako umjetna inteligencija preuzme dio administracije i analize, liječnici će napokon imati više vremena za ono što nijedan algoritam ne može u potpunosti zamijeniti: razgovor s pacijentom.

Napomena: Sustav ARTIDIS i sve njegove komponente trenutačno su, prema dostavljenim informacijama, namijenjeni isključivo istraživačkoj uporabi. Nisu odobreni za dijagnostičku, prognostičku ili prediktivnu primjenu niti za donošenje odluka o liječenju.