Tekoäly ennustaa vasteen syöpähoitoon kunkin kasvainsolun tietojen perusteella
Viimeksi tarkistettu: 14.06.2024
Kaikki iLive-sisältö tarkistetaan lääketieteellisesti tai se tarkistetaan tosiasiallisen tarkkuuden varmistamiseksi.
Meillä on tiukat hankintaohjeet ja vain linkki hyvämaineisiin mediasivustoihin, akateemisiin tutkimuslaitoksiin ja mahdollisuuksien mukaan lääketieteellisesti vertaisarvioituihin tutkimuksiin. Huomaa, että suluissa ([1], [2] jne.) Olevat numerot ovat napsautettavia linkkejä näihin tutkimuksiin.
Jos sinusta tuntuu, että jokin sisältö on virheellinen, vanhentunut tai muuten kyseenalainen, valitse se ja paina Ctrl + Enter.
Yli 200 syöpätyyppiä ja jokainen yksilöllisesti yksilöllinen tapaus, jatkuvat ponnistelut tarkkojen onkologisten hoitojen kehittämiseksi ovat edelleen haastavia. Painopisteenä on geneettisten testien kehittäminen syöpää aiheuttavien geenien mutaatioiden tunnistamiseksi ja asianmukaisten hoitojen tunnistaminen näitä mutaatioita vastaan.
Monet, elleivät useimmat, syöpäpotilaat eivät kuitenkaan hyödy merkittävästi näistä varhain kohdistetuista hoidoista. Uudessa tutkimuksessa, joka julkaistiin julkaisussa Nature Cancer, ensimmäinen kirjoittaja Sanju Sinha, Ph.D., apulaisprofessori Syövän molekyyliterapiaohjelmassa Sanford Burnham Prebysissä yhdessä johtavien kirjoittajien Eitan Ruppinin (MD, PhD ja Alejandro Schafferin) kanssa National Cancer Institutesta, joka on osa National Institutes of Healthin (NIH) ja kollegoidensa kanssa, kuvataan ainutlaatuinen laskennallinen järjestelmä potilaan systemaattiseen ennustamiseen. Vaste syöpälääkkeille yksisolutasolla.
Onkologiassa nimitetty yksilöllinen hoidon suunnittelu, joka perustuu yksisoluisen transkription ilmentymiseen (PERCEPTION), uusi tekoälyyn perustuva lähestymistapa tutkii transkriptomiikkaa. DNA-tiedot toimintaan.
"Kasvain on monimutkainen ja jatkuvasti muuttuva organismi. Yksisoluisen resoluution avulla voimme ratkaista nämä molemmat ongelmat", Sinha sanoo. "PERCEPTION mahdollistaa yksisoluisen omexiksen rikkaan tiedon käytön kasvaimen kloonarkkitehtuurin ymmärtämiseen ja resistenssin syntymisen seuraamiseen." (Biologiassa omexis tarkoittaa solun sisältämien ainesosien summaa.)
Sinha sanoo: "Kyky seurata resistenssin syntyä on minulle jännittävin osa. Tämä antaa meille mahdollisuuden sopeutua syöpäsolujen kehitykseen ja jopa muuttaa hoitostrategiaamme."
Sinha ja kollegat käyttivät AI-haaraa, siirtooppimista, luodakseen PERCEPTION:n.
"Rajoitettu solutason data klinikoilta oli suurin haasteemme. Tekoälymallit tarvitsevat suuria tietomääriä sairauksien ymmärtämiseen, aivan kuten ChatGPT tarvitsee valtavia määriä tekstidataa Internetistä", Sinha selittää.
PERCEPTION käyttää julkaistuja massa-geenin ilmentymistietoja kasvaimista esikouluttaakseen mallejaan. Seuraavaksi mallien virittämiseen käytettiin solulinjojen ja potilaiden yksisolutason dataa, vaikka se oli rajallista.
PERCEPTION validoitiin onnistuneesti monoterapiaan ja yhdistelmähoitoon kohdistuvan vasteen ennustamisessa kolmessa itsenäisessä, äskettäin julkaistussa kliinisessä tutkimuksessa multippelin myelooman, rinta- ja keuhkosyövän hoidossa. Kussakin tapauksessa PERCEPTION jakoi potilaat oikein reagoiviin ja ei-vastaaviin. Keuhkosyövässä hän jopa dokumentoi lääkeresistenssin kehittymistä taudin edetessä, mikä on merkittävä löytö, jolla on paljon potentiaalia.
Sinhan mukaan PERCEPTION ei ole vielä valmis käytettäväksi klinikalla, mutta lähestymistapa osoittaa, että yksisolutason tietoa voidaan käyttää hoidon ohjaamiseen. Hän toivoo voivansa rohkaista tämän tekniikan käyttöönottoa klinikoilla tuottaakseen enemmän tietoa, jota voidaan käyttää teknologian kehittämiseen ja parantamiseen kliiniseen käyttöön.
"Ennustamisen laatu paranee sen perustana olevan tiedon laadun ja määrän myötä", Sinha sanoo. "Tavoitteemme on luoda kliininen työkalu, joka voi systemaattisesti ja tietopohjaisesti ennustaa hoitovasteen yksittäisillä syöpäpotilailla. Toivomme, että nämä havainnot stimuloivat lisää dataa ja vastaavia tutkimuksia lähitulevaisuudessa."