Tekoäly ennustaa vasteen syöpähoitoon kunkin kasvainsolun tietojen perusteella

Koska syöpätyyppejä on yli 200 ja jokainen tapaus on ainutlaatuinen, jatkuvat pyrkimykset kehittää tarkkoja syöpähoitoja ovat edelleen haastavia. Painopiste on geneettisten testien kehittämisessä syöpää aiheuttavien geenien mutaatioiden tunnistamiseksi ja hoitojen räätälöimiseksi näiden mutaatioiden kohdistamiseksi.

Monet, elleivät useimmat, syöpäpotilaat eivät kuitenkaan hyödy merkittävästi näistä varhaisen vaiheen kohdennetuista hoidoista. Nature Cancer -lehdessä julkaistussa uudessa tutkimuksessa ensimmäinen kirjoittaja Sanju Sinha, PhD, Sanford Burnham Prebysin molekyylisyöpäterapiaohjelman apulaisprofessori, sekä pääkirjoittajat Eitan Ruppin, MD, PhD, ja Alejandro Schaffer, PhD, National Cancer Institutesta, joka on osa Yhdysvaltain kansallisia terveysinstituutteja (NIH), ja heidän kollegansa kuvaavat ainutlaatuisen laskennallisen järjestelmän, jolla voidaan systemaattisesti ennustaa, miten potilaat reagoivat syöpälääkkeisiin yksittäisten solujen tasolla.

YKSITTÄISEN SOLUN TRANSAKTIOIDEN ILMENTYMISEEN (PERSEPCIOON) PERUSTUVAKSI PERUSTUVAKSI OLOKOLOGINEN HOITOSUUNNITELMA syventyy transkriptomiikkaan – transkriptiotekijöiden, geenien ilmentämien mRNA-molekyylien, tutkimukseen, jotka muuntavat DNA-tiedon toiminnaksi.

”Kasvaimet ovat monimutkaisia ja jatkuvasti muuttuvia organismeja. Yksittäisten solujen erottelukyvyn avulla voimme ratkaista molemmat näistä haasteista”, Sinha sanoo. ”HAVASTOINTIKÄSITTELY antaa meille mahdollisuuden käyttää yksisoluisten omeksikoiden rikasta tietoa kasvaimen klonaalisen rakenteen ymmärtämiseen ja resistenssin syntymisen seuraamiseen.” (Biologiassa omeksikot viittaavat solun osien summaan.)

Sinha sanoo: "Resistenssin syntymisen seuraaminen on minulle jännittävin osa. Sen avulla voimme sopeutua syöpäsolujen kehitykseen ja jopa muuttaa hoitostrategiaamme."

Sinha ja kollegat käyttivät siirto-oppimista, tekoälyn haaraa, luodakseen HAVAINNON.

"Suurin haasteemme oli klinikoilta saatu rajallinen määrä yksittäisiä soluja koskevaa dataa. Tekoälymallit tarvitsevat suuria määriä dataa ymmärtääkseen sairauksia, aivan kuten ChatGPT tarvitsee valtavia määriä tekstidataa internetistä", Sinha selittää.

PERCEPTION käyttää malliensa esikoulutukseen julkaistuja kasvaimista saatuja geeniekspressiotietoja. Sitten mallien hienosäätöön käytettiin solulinjoista ja potilaista saatua yksittäisten solujen tasoista dataa, vaikkakin sitä oli rajoitetusti.

PERCEPTION on onnistuneesti validoitu ennustamaan vastetta monoterapiaan ja yhdistelmähoitoon kolmessa itsenäisessä, äskettäin julkaistussa kliinisessä tutkimuksessa multippeli myeloomaa, rintasyöpää ja keuhkosyöpää sairastavilla potilailla. Jokaisessa tapauksessa PERCEPTION jakoi potilaat oikein hoitoon reagoiviin ja ei-reagoiviin. Keuhkosyövässä se jopa havaitsi lääkeresistenssin kehittymisen taudin edetessä, mikä on merkittävä ja potentiaalinen löydös.

Sinhan mukaan PERCEPTION ei ole vielä valmis kliiniseen käyttöön, mutta lähestymistapa osoittaa, että yksittäisten solujen tasolla kerättyä tietoa voidaan käyttää hoidon ohjaamiseen. Hän toivoo kannustavansa teknologian käyttöönottoon klinikoilla, jotta saataisiin enemmän dataa, jota voidaan käyttää teknologian kehittämiseen ja parantamiseen kliiniseen käyttöön.

”Ennusteiden laatu paranee sen pohjana olevan datan laadun ja määrän myötä”, Sinha sanoo. ”Tavoitteenamme on luoda kliininen työkalu, joka pystyy systemaattisesti ja datapohjaisesti ennustamaan hoitovastetta yksittäisillä syöpäpotilailla. Toivomme, että nämä löydökset vauhdittavat lisää datan keräämistä ja vastaavien tutkimusten tekemistä lähitulevaisuudessa.”