En viktig del av artrosforskningen är inriktad på att fördjupa förståelsen av sjukdomen på molekylär nivå. Det finns inga botemedel mot artros men genom en ökad förståelse av de biologiska processerna kan nya potentiella läkemedel tas fram. Nyligen publicerades en forskningsartikel där vi fokuserat på just detta – att undersöka artros på molekylär nivå.
I vår studie analyserade vi ledvätska från knä. Ledvätska är en trögflytande vätska som innesluts i leden. Dess funktion är bl.a. att smörja leden så ytorna kan röra sig lättare mot varandra samt förse ledbrosket med näring. Vid artros bryts vävnaden, exempelvis brosk och menisk, i leden ned och beståndsdelar som tidigare funnits i vävnaden kan då hamna i ledvätskan.
Då rester av sjuk vävnad kan hamna i ledvätskan är det intressant att jämföra ledvätskeprover från friska knän med prover från knän med artros, vilket är det vi har gjort. Mer specifikt så har vi analyserat proteinerna som finns i ledvätskan. Detta har vi gjort med en metod som bygger på att antikroppar känner igen och binder in till ett specifikt protein. Genom dessa antikroppar kan man sen mäta hur mycket det finns av ett visst protein i sitt prov. Den här metoden genererar mycket data, vilket gör den lämplig för explorativa studier. I vårt fall innebär en explorativ studie att vår data används för att generera hypoteser, snarare än att vi på förhand har en tydlig hypotes formulerad.
I våra prov hittade vi omkring 6500 proteiner. Vi började med att titta på vilka proteiner som skiljde sig mest mellan ledvätskan från friska och sjuka knän. De proteiner som skiljde sig mest rent procentuellt mellan de två grupperna valdes ut för att ingå i en s.k. nätverksanalys. Innan vi förklarar hur vi använt den här analysen på vår data så ska vi ge ett enklare exempel.
Låt oss representera skolelever som läser ämnen ihop i ett nätverk. I vårt exempel kommer vi att analysera totalt sex elever. Omar, Marta, Maja och Elias går i klass 9A. Hugo och Nadia går i klass 9B. Vi låter varje elevs namn vara med i nätverket och om två elever läser ett ämne ihop så förbinder vi deras namn med en linje. Vi börjar med att förbinda elever som går i samma klass då vi vet att de har många gemensamma undervisningstimmar under en vecka.
Som de flesta vet har elever i nian också ett valbart extraspråk. I vårt fall så läser Omar och Maja tyska. Tre elever läser franska: Marta, Elias och Hugo. Av de sex eleverna som vi valt ut är det bara Nadia som läser spanska. Låt oss nu förbinda namnen baserat på om eleverna läser ett språk ihop:
Vi har nu skapat ett nätverk som beskriver vilka elever som läser ämnen tillsammans under en skolvecka.
Nu går vi tillbaka till vår data: vi analyserade ledvätska från friska knän och knän med artros. Av de 6500 proteinerna vi hittade valde vi att titta vidare på de proteiner som skiljde sig mest procentuellt mellan de två grupperna. Specifikt kollade vi på om det fanns något mönster i vår data för hur proteinerna varierade tillsammans. Om vår data visade att ett protein berodde på ett annat, så skapades en länk dem emellan.
För att beskriva vilka proteiner vi sedan valde ut som extra intressanta så ska vi återigen kolla på vårt exempel ovan. Bland eleverna så ser vi att Hugo har en central roll i att sammanföra 9A och 9B i vårt nätverk. På samma sätt kollade vi på proteinerna i vår data då vi tror att viktiga proteiner är proteiner som sammanlänkar andra delar av nätverket. Vi hoppas att de proteiner vi hittade kan bidra till en ökad förståelse av artros. För den nyfikne kan den publicerade studien läsas här (på engelska). Sidan Molecular and cellular proteomics öppnas i en ny flik.
