Sztuczna inteligencja przewiduje odpowiedź na terapię przeciwnowotworową na podstawie danych z każdej komórki nowotworowej

Ponieważ istnieje ponad 200 rodzajów nowotworów i każdy przypadek jest wyjątkowy, trwające wysiłki na rzecz opracowania precyzyjnych metod leczenia raka pozostają wyzwaniem. Skupiamy się na opracowaniu testów genetycznych w celu zidentyfikowania mutacji w genach wywołujących raka i dostosowaniu metod leczenia do tych mutacji.

Jednak wielu, jeśli nie większość pacjentów onkologicznych nie odnosi znaczących korzyści z tych wczesnych terapii ukierunkowanych. W nowym badaniu opublikowanym w Nature Cancer, pierwszy autor Sanju Sinha, PhD, adiunkt w Molecular Cancer Therapy Program w Sanford Burnham Prebys, wraz z głównymi autorami Eitanem Ruppinem, MD, PhD, i Alejandro Schafferem, PhD, z National Cancer Institute, części National Institutes of Health (NIH), i współpracownikami opisują unikalny system obliczeniowy do systematycznego przewidywania, w jaki sposób pacjenci będą reagować na leki przeciwnowotworowe na poziomie pojedynczej komórki.

Nowe podejście oparte na sztucznej inteligencji, nazwane PERSONALIZED ONCOLOGY TREATMENT PLANNING BASED ON SINGLE-CELL TRANSCIPLE EXPRESSION (PERCEPTION), zagłębia się w transkryptomikę — badanie czynników transkrypcyjnych, cząsteczek mRNA, które są wyrażane przez geny i przekładają informacje DNA na działanie.

„Guz to złożony i ciągle zmieniający się organizm. Wykorzystanie rozdzielczości pojedynczej komórki pozwala nam zająć się obydwoma tymi wyzwaniami” — mówi Sinha. „PERCEPTION umożliwia nam wykorzystanie bogatych informacji z omeksyków pojedynczych komórek do zrozumienia klonalnej architektury guza i monitorowania pojawiania się oporności”. (W biologii omeksyki odnoszą się do sumy części w komórce.)

Sinha mówi: „Możliwość monitorowania pojawiania się oporności jest dla mnie najbardziej ekscytującą częścią. Ma potencjał, aby umożliwić nam dostosowanie się do ewolucji komórek rakowych, a nawet zmianę naszej strategii leczenia”.

Sinha i współpracownicy wykorzystali technologię uczenia transferowego, gałąź sztucznej inteligencji, do stworzenia PERCEPCJI.

„Naszym największym wyzwaniem były ograniczone dane z pojedynczych komórek z klinik. Modele AI potrzebują dużych ilości danych, aby zrozumieć chorobę, tak jak ChatGPT potrzebuje ogromnych ilości danych tekstowych z Internetu” — wyjaśnia Sinha.

PERCEPTION wykorzystuje opublikowane dane o ekspresji genów w guzach do wstępnego trenowania swoich modeli. Następnie dane na poziomie pojedynczych komórek z linii komórkowych i pacjentów, choć ograniczone, zostały wykorzystane do dostrojenia modeli.

PERCEPTION został pomyślnie zweryfikowany w przewidywaniu odpowiedzi na monoterapię i terapię skojarzoną w trzech niezależnych, niedawno opublikowanych badaniach klinicznych dotyczących szpiczaka mnogiego, raka piersi i raka płuc. W każdym przypadku PERCEPTION prawidłowo stratyfikował pacjentów na odpowiadających i nieodpowiadających. W przypadku raka płuc uchwycił nawet rozwój lekooporności w miarę postępu choroby, co jest istotnym odkryciem o dużym potencjale.

Sinha mówi, że PERCEPTION nie jest jeszcze gotowy do użycia w klinice, ale podejście pokazuje, że informacje na poziomie pojedynczych komórek mogą być używane do kierowania leczeniem. Ma nadzieję zachęcić do przyjęcia technologii w klinikach, aby wygenerować więcej danych, które mogą być wykorzystane do dalszego rozwoju i ulepszenia technologii do użytku klinicznego.

„Jakość prognozowania poprawia się wraz z jakością i ilością danych, na których się opiera” — mówi Sinha. „Naszym celem jest stworzenie narzędzia klinicznego, które może systematycznie i na podstawie danych przewidywać odpowiedź na leczenie u poszczególnych pacjentów onkologicznych. Mamy nadzieję, że te odkrycia pobudzą więcej danych i podobnych badań w niedalekiej przyszłości”.