Штучний інтелект прогнозує реакцію на терапію раку на основі даних кожної пухлинної клітини
Останній перегляд: 14.06.2024
Весь контент iLive перевіряється медичними експертами, щоб забезпечити максимально можливу точність і відповідність фактам.
У нас є строгі правила щодо вибору джерел інформації та ми посилаємося тільки на авторитетні сайти, академічні дослідницькі інститути і, по можливості, доведені медичні дослідження. Зверніть увагу, що цифри в дужках ([1], [2] і т. д.) є інтерактивними посиланнями на такі дослідження.
Якщо ви вважаєте, що який-небудь з наших матеріалів є неточним, застарілим або іншим чином сумнівним, виберіть його і натисніть Ctrl + Enter.
Оскільки існує понад 200 типів раку та кожен індивідуальний випадок, постійні зусилля щодо розробки точних методів лікування онкології залишаються складними. Основна увага зосереджена на розробці генетичних тестів для виявлення мутацій у генах, що викликають рак, і визначенні відповідних методів лікування цих мутацій.
Однак багато, якщо не більшість, хворих на рак не отримують суттєвої користі від ранньої цільової терапії. У новому дослідженні, опублікованому в Nature Cancer, перший автор Санджу Сінха, доктор філософії, доцент програми молекулярної терапії раку у Sanford Burnham Prebys разом із провідними авторами Ейтаном Руппіном, доктором медичних наук, доктором філософії, та Алехандро Шаффером, доктором філософії, з Національного інституту раку, що є частиною Національного інституту здоров’я (NIH), та колегами описують унікальну обчислювальну систему для систематичного прогнозування стану пацієнта відповідь на ліки від раку на одноклітинному рівні.
Новий підхід, заснований на штучному інтелекті, який називається «Індивідуалізоване планування лікування в онкології на основі експресії одноклітинного транскрипту» (PERCEPTION), вивчає транскриптоміку — дослідження факторів транскрипції, молекул мРНК, які експресуються генами та транслюються Інформація про ДНК у дії.
«Пухлина — це складний організм, який постійно змінюється. Використання одноклітинної роздільної здатності дозволяє нам вирішити обидві ці проблеми», — каже Сінха. «PERCEPTION дозволяє використовувати багату інформацію з одноклітинного omexis для розуміння клональної архітектури пухлини та моніторингу появи резистентності». (У біології омексис означає сукупність компонентів клітини.)
Сінха каже: «Можливість стежити за появою резистентності є для мене найбільш захоплюючою частиною. Це потенційно дозволить нам адаптуватися до еволюції ракових клітин і навіть змінити нашу стратегію лікування».
Сінха та його колеги використали передавання навчання, відгалуження ШІ, щоб створити PERCEPTION.
«Нашою головною проблемою були обмежені дані на рівні клітини з клінік. Моделям ШІ потрібна велика кількість даних, щоб зрозуміти хворобу, так само як ChatGPT потрібна величезна кількість текстових даних з Інтернету», — пояснює Сінха.
PERCEPTION використовує опубліковані масові дані експресії генів із пухлин для попереднього навчання своїх моделей. Потім для налаштування моделей використовувалися дані на рівні однієї клітини клітинних ліній і пацієнтів, хоча й обмежені.
PERCEPTION було успішно підтверджено для прогнозування відповіді на монотерапію та комбіновану терапію в трьох незалежних нещодавно опублікованих клінічних дослідженнях множинної мієломи, раку молочної залози та раку легенів. У кожному випадку PERCEPTION правильно розділив пацієнтів на пацієнтів, які відповіли на лікування, і тих, хто не відповів. У раку легенів він навіть задокументував розвиток стійкості до ліків у міру прогресування хвороби, що є значним відкриттям із великим потенціалом.
Сінха каже, що PERCEPTION ще не готовий для використання в клініці, але підхід показує, що інформацію на рівні однієї клітини можна використовувати для спрямування лікування. Він сподівається заохотити впровадження цієї технології в клініках, щоб отримати більше даних, які можна використовувати для подальшого розвитку та вдосконалення технології для клінічного використання.
«Якість прогнозування покращується разом із якістю та кількістю даних, на яких воно базується», — каже Сінха. «Наша мета — створити клінічний інструмент, який може систематично та на основі даних передбачати відповідь на лікування в окремих пацієнтів з раком. Ми сподіваємося, що ці висновки стимулюватимуть більше даних і подібних досліджень у найближчому майбутньому».