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

Biorąc pod uwagę ponad 200 rodzajów nowotworów i każdy indywidualny przypadek, ciągłe wysiłki na rzecz opracowania precyzyjnych metod leczenia onkologicznego pozostają wyzwaniem. Nacisk położony jest na opracowanie testów genetycznych umożliwiających identyfikację mutacji w genach powodujących raka i określenie odpowiednich metod leczenia tych mutacji.

Jednak wielu, jeśli nie większość pacjentów chorych na raka, nie odnosi znaczących korzyści z tych wczesnych terapii celowanych. W nowym badaniu, opublikowanym w Nature Cancer, pierwszy autor dr Sanju Sinha, adiunkt w Programie Terapii Molekularnej w Raku w Sanford Burnham Prebys, wraz z głównymi autorami Eitanem Ruppinem, doktorem medycyny i Alejandro Schafferem, doktorem z National Cancer Institute, częścią National Institutes of Health (NIH), oraz współpracownikami opisują unikalny system obliczeniowy do systematycznego przewidywania pacjentów odpowiedź na leki przeciwnowotworowe na poziomie pojedynczych komórek.

Nowe podejście oparte na sztucznej inteligencji, zwane spersonalizowanym planowaniem leczenia w onkologii w oparciu o ekspresję transkryptu pojedynczych komórek (PERCEPTION), zagłębia się w badania transkryptomiki — badanie czynników transkrypcyjnych, cząsteczek mRNA ulegających ekspresji w genach i ulegających translacji Informacje DNA w działaniu.

„Guz to złożony i stale zmieniający się organizm. Zastosowanie rozdzielczości pojedynczych komórek pozwala nam rozwiązać oba te problemy” – mówi Sinha. „PERCEPTION umożliwia wykorzystanie bogatych informacji uzyskanych z omeksji pojedynczych komórek do zrozumienia architektury klonalnej nowotworu i monitorowania pojawiania się oporności”. (W biologii omeksja odnosi się do sumy składników komórki.)

Sinha mówi: „Najbardziej ekscytująca jest dla mnie możliwość monitorowania pojawiania się oporności. Może ona potencjalnie pozwolić nam dostosować się do ewolucji komórek nowotworowych, a nawet zmienić strategię leczenia”.

Sinha i współpracownicy wykorzystali uczenie się transferowe, gałąź sztucznej inteligencji, do stworzenia PERCEPCJI.

„Naszym głównym wyzwaniem była ograniczona liczba danych pochodzących z klinik na poziomie komórkowym. Modele sztucznej inteligencji potrzebują dużych ilości danych, aby zrozumieć chorobę, tak jak ChatGPT potrzebuje ogromnych ilości danych tekstowych z Internetu” – wyjaśnia Sinha.

PERCEPTION wykorzystuje opublikowane zbiorcze dane dotyczące ekspresji genów z nowotworów do wstępnego szkolenia swoich modeli. Następnie do dostrojenia modeli wykorzystano, choć ograniczone, dane na poziomie pojedynczych komórek z linii komórkowych i pacjentów.

Produkt

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 płuc. W każdym przypadku w badaniu PERCEPTION prawidłowo dokonano podziału pacjentów na osoby reagujące i niereagujące. W przypadku raka płuc udokumentował nawet rozwój lekooporności w miarę postępu choroby, co jest znaczącym odkryciem o ogromnym potencjale.

Sinha twierdzi, że system PERCEPTION nie jest jeszcze gotowy do zastosowania w klinice, ale zastosowane podejście pokazuje, że informacje na poziomie pojedynczych komórek można wykorzystać do ukierunkowania leczenia. Ma nadzieję zachęcić do stosowania tej technologii w klinikach, aby wygenerować więcej danych, które można wykorzystać do dalszego rozwoju i udoskonalania technologii do zastosowań klinicznych.

„Jakość prognozowania poprawia się wraz z jakością i ilością danych, na których jest ono oparte” – mówi Sinha. „Naszym celem jest stworzenie narzędzia klinicznego, które będzie w stanie systematycznie i w oparciu o dane przewidywać odpowiedź na leczenie u poszczególnych pacjentów chorych na raka. Mamy nadzieję, że te odkrycia zainspirują w najbliższej przyszłości więcej danych i podobnych badań.”