Personalized medicine staat of valt met betrouwbare laboratoriumdata

Van DNA-analyse tot medicatieadvies: de kwaliteit van laboratoriumdata bepaalt mede hoe betrouwbaar personalized medicine in de praktijk kan worden toegepast.

Personalized medicine belooft behandelingen beter af te stemmen op de individuele patiënt. Genetische informatie kan daarbij helpen. Sommige patiënten breken een geneesmiddel bijvoorbeeld sneller af dan anderen, waardoor dezelfde dosering bij de ene patiënt onvoldoende effect heeft en bij de andere juist meer bijwerkingen kan veroorzaken.[2]

Maar tussen DNA en een behandeladvies zitten verschillende stappen. De eerste is misschien wel de meest fundamentele: het betrouwbaar vaststellen van genetische varianten.

Tijdens World of Laboratory 2026 staat daarom het seminar Personalized Medicine in Practice: From Data to Decisions op het programma. Daarin staat de stap centraal van genetische en biologische data naar een onderbouwde klinische beslissing. Farmacogenomica is daarbij een belangrijke toepassing.

Van DNA naar medicatieadvies

Farmacogenomica onderzoekt hoe genetische verschillen de werking en afbraak van geneesmiddelen beïnvloeden. Genetische factoren vormen een belangrijke verklaring voor een deel van de verschillen die tussen patiënten bestaan in werkzaamheid en bijwerkingen van geneesmiddelen.[2]

De afgelopen jaren zijn richtlijnen ontwikkeld om die genetische informatie te vertalen naar de praktijk. Organisaties als de Clinical Pharmacogenetics Implementation Consortium (CPIC) en de Nederlandse Dutch Pharmacogenetics Working Group (DPWG) koppelen specifieke genetische varianten aan behandel- en doseeradviezen voor geneesmiddelen.[3]

Daarmee wordt farmacogenomica steeds meer onderdeel van de klinische praktijk. Maar voordat een arts of apotheker zo’n advies kan gebruiken, moet eerst betrouwbaar worden vastgesteld welke genetische varianten bij een patiënt aanwezig zijn.

Daar begint het werk van het laboratorium.

Niet elke DNA-test ziet hetzelfde

In de praktijk bestaat er niet één standaardmethode voor genetische analyse. De keuze voor een technologie hangt af van de vraag die het laboratorium moet beantwoorden.

Een relatief gerichte aanpak is genotypering met een panel. Daarbij wordt gezocht naar vooraf geselecteerde genetische varianten waarvan bekend is dat ze relevant kunnen zijn voor geneesmiddelrespons. Een dergelijke aanpak kan efficiënt, gestandaardiseerd en relatief kosteneffectief zijn.[3]

De beperking is duidelijk: een panel zoekt naar varianten die vooraf zijn geselecteerd. Varianten die niet in het panel zijn opgenomen, worden niet gevonden. Dat kan relevant zijn wanneer nieuwe varianten worden ontdekt of wanneer genetische diversiteit tussen populaties een grotere rol gaat spelen.[3]

Een andere mogelijkheid is sequencing. Met next-generation sequencing kunnen veel grotere delen van het DNA worden onderzocht, van afzonderlijke genen tot exomen en complete genomen. Daarmee ontstaat een uitgebreider beeld van genetische variatie. Tegelijkertijd groeit de hoeveelheid data die moet worden geanalyseerd en geïnterpreteerd.[2]

Meer data betekent dus niet automatisch meer zekerheid. De kwaliteit van de analyse, de bio-informatica en de interpretatie worden minstens zo belangrijk.

De juiste technologie voor de juiste vraag

Dat maakt de keuze van de analysetechnologie steeds belangrijker.

Een gericht genotyperingspanel kan geschikt zijn wanneer vooraf duidelijk is naar welke varianten moet worden gezocht. Short-read sequencing kan veel meer genetische informatie opleveren, maar heeft beperkingen bij bepaalde complexe regio’s van het genoom. Long-read sequencing kan juist in zulke regio’s voordelen bieden.[4][5]

Bij verschillende farmacogenen komen sterk gelijkende DNA-sequenties, herhalingen en structurele varianten voor. Daardoor zijn deze genen met traditionele methoden niet altijd eenvoudig volledig te karakteriseren. Long-read sequencing maakt het mogelijk om veel langere DNA-fragmenten in één keer te lezen en kan daardoor complexe genetische structuren beter in kaart brengen.[5][6]

Een voorbeeld is CYP2D6, een belangrijk farmacogen dat betrokken is bij de afbraak van verschillende geneesmiddelen. Door onder meer duplicaties, deleties en andere structurele variaties kan het lastig zijn om dit gen met kortere reads volledig te karakteriseren. Long-read sequencing kan helpen om dergelijke variatie en de combinatie van varianten – het haplotype – beter vast te stellen.[4][7]

Dat betekent niet dat long-read sequencing alle andere methoden gaat vervangen. Kosten, snelheid, throughput, validatie en klinische implementatie spelen allemaal een rol.[4][5]

De relevante vraag is daarom niet welke technologie het meest geavanceerd is, maar:

Welke technologie past het beste bij de klinische vraag?

Data alleen zijn niet genoeg

Zelfs wanneer een laboratorium een genetische variant betrouwbaar heeft vastgesteld, begint daarmee pas de volgende stap.

Een variant krijgt pas klinische betekenis wanneer duidelijk is wat deze betekent voor bijvoorbeeld de activiteit van een enzym of transporteiwit. Vervolgens moet die informatie worden vertaald naar een behandeladvies.[3]

Daarvoor zijn kennisbanken, richtlijnen en software nodig. Ook moeten de resultaten worden geïntegreerd in de klinische workflow. De implementatie van farmacogenomica vraagt daarom om samenwerking tussen onder meer laboratoria, apotheken, bio-informatici, ICT-specialisten en voorschrijvers.[3]

De uitdaging verschuift daarmee van data produceren naar data betekenis geven.

Het gaat dus niet alleen om de vraag hoeveel genetische informatie een laboratorium kan verzamelen, maar ook om de vraag of die informatie betrouwbaar, interpreteerbaar en bruikbaar is op het moment dat een behandelbeslissing moet worden genomen.[2][3]

Werkt het ook in de praktijk?

De vraag is natuurlijk of farmacogenomica vervolgens ook daadwerkelijk betere zorg oplevert.

Een belangrijke studie is de Europese PREPARE-studie. In deze multicenterstudie werden 6.944 patiënten onderzocht in 18 ziekenhuizen, negen eerstelijnsgezondheidscentra en 28 openbare apotheken in zeven Europese landen. De deelnemers kregen een farmacogenetisch panel van twaalf genen of standaardzorg.[1]

Bij patiënten met een klinisch relevante gen-geneesmiddelinteractie trad een klinisch relevante bijwerking op bij 21,0 procent van de patiënten in de genotypegestuurde groep, tegenover 27,7 procent in de controlegroep. Voor alle deelnemers waren de percentages respectievelijk 21,5 en 28,6 procent. De onderzoekers rapporteerden een odds ratio van 0,70.[1]

De resultaten laten zien dat genotypegestuurd voorschrijven het aantal klinisch relevante bijwerkingen kan verminderen.[1] Tegelijkertijd is het belangrijk om de resultaten niet groter te maken dan ze zijn. De studie laat vooral zien dat een farmacogenetische aanpak uitvoerbaar is en klinisch voordeel kan opleveren wanneer genetische informatie daadwerkelijk wordt gebruikt bij het voorschrijven.

Ook verschenen er kritische reacties op de interpretatie van de PREPARE-resultaten. Een commentaar in The Lancet stelde dat de voordelen van farmacogenetische testing op basis van de studie niet zonder meer duidelijk zijn.[8]

Juist die discussie onderstreept het belang van goede implementatie en betrouwbare diagnostiek. Een genetische test op zichzelf verandert de behandeling niet. De waarde ontstaat pas wanneer de uitslag correct wordt geïnterpreteerd en daadwerkelijk onderdeel wordt van de klinische besluitvorming.

Van data naar decisions

Daarmee komt de kern van personalized medicine in beeld.

Achter een medicatieadvies kan een hele keten van technologie en expertise schuilgaan: monsterverwerking, DNA-isolatie, genotypering of sequencing, kwaliteitscontrole, bio-informatica, interpretatie en uiteindelijk de vertaling naar een klinische beslissing.

Iedere stap kan invloed hebben op de betrouwbaarheid van het eindresultaat.

Voor laboratoria betekent de ontwikkeling van personalized medicine daarom meer dan toegang tot steeds geavanceerdere sequencingtechnologie. Het betekent ook nadenken over validatie, kwaliteitsborging, data-analyse en de manier waarop resultaten in de zorg worden gebruikt.[3][5]

De ontwikkeling van long-read sequencing laat dat goed zien. De technologie kan complexe farmacogenen beter in kaart brengen, maar brengt tegelijkertijd nieuwe vragen mee over kosten, infrastructuur, data-analyse en implementatie.[5]

De belangrijkste vraag is daarom uiteindelijk niet hoeveel DNA we kunnen lezen.

De vraag is welke informatie betrouwbaar genoeg is om er een behandelbeslissing op te baseren.

Daar ligt een belangrijke rol voor het laboratorium. En precies daar komt personalized medicine samen met de technologie, kennis en expertise die nodig zijn om data daadwerkelijk om te zetten in beslissingen.

Bronnen

[1] Swen JJ, et al. A 12-gene pharmacogenetic panel to prevent adverse drug reactions: an open-label, multicentre, controlled, cluster-randomised crossover implementation study. The Lancet. 2023;401:347–356.

[2] Pirmohamed M. Pharmacogenomics: current status and future perspectives. Nature Reviews Genetics. 2023;24:350–362.

[3] Kabbani D, et al. Pharmacogenomics in practice: a review and implementation guide. Frontiers in Pharmacology. 2023;14:1189976.

[4] Neu M, Yang Y, Scott SA. Long-read Sequencing for Germline Pharmacogenomic Testing. Advances in Molecular Pathology. 2023.

[5] Tafazoli A, et al. Leveraging long-read sequencing technologies for pharmacogenomic testing: applications, analytical strategies, challenges, and future perspectives. Frontiers in Genetics. 2025;16:1435416.

[6] Logsdon GA, Vollger MR, Eichler EE. Long-read human genome sequencing and its applications. Nature Reviews Genetics. 2020;21:597–614.

[7] Van der Lee M, et al. Application of long-read sequencing to elucidate complex pharmacogenomic regions: a proof of principle. The Pharmacogenomics Journal. 2021;22:75–81.

[8] The PREPARE study: benefits of pharmacogenetic testing are unclear. The Lancet. 2023.