Umelá inteligencia predpovedá odpoveď na liečbu rakoviny na základe údajov z každej nádorovej bunky

Vzhľadom na viac ako 200 typov rakoviny a každý prípad je jedinečný, prebiehajúce úsilie o vývoj presných liečebných postupov rakoviny zostáva náročné. Dôraz sa kladie na vývoj genetických testov na identifikáciu mutácií v génoch spôsobujúcich rakovinu a na prispôsobenie liečby zameranej na tieto mutácie.

Mnohí, ak nie väčšina, pacientov s rakovinou však z týchto skorých cielených terapií významne neprofitujú. V novej štúdii publikovanej v časopise Nature Cancer prvý autor Sanju Sinha, PhD, odborný asistent v programe molekulárnej terapie rakoviny na Sanford Burnham Prebys, spolu s hlavnými autormi Eitanom Ruppinom, MD, PhD, a Alejandrom Schafferom, PhD, z Národného onkologického inštitútu, ktorý je súčasťou Národných inštitútov zdravia (NIH), a kolegami opisujú jedinečný výpočtový systém na systematické predpovedanie toho, ako budú pacienti reagovať na lieky proti rakovine na úrovni jednotlivých buniek.

Nový prístup s názvom PERSONALIZOVANÉ PLÁNOVANIE ONKOLOGICKEJ LIEČBY ZALOŽENÉ NA EXPRESII (VNÍMANÍ) TRANSCIPULOV JEDNOTLIVÝCH BUNIEK sa zaoberá transkriptomikou – štúdiom transkripčných faktorov, molekúl mRNA, ktoré sú exprimované génmi a prekladajú informácie z DNA do akcie.

„Nádory sú zložité a neustále sa meniace organizmy. Použitie rozlíšenia jednotlivých buniek nám umožňuje riešiť obe tieto výzvy,“ hovorí Sinha. „VNÍMANIE nám umožňuje využiť bohaté informácie z omexických metód na pochopenie klonálnej architektúry nádoru a monitorovanie vzniku rezistencie.“ (V biológii sa omexické metódy vzťahujú na súčet častí v bunke.)

Sinha hovorí: „Schopnosť monitorovať vznik rezistencie je pre mňa najvzrušujúcejšou časťou. Má potenciál umožniť nám prispôsobiť sa vývoju rakovinových buniek a dokonca zmeniť našu liečebnú stratégiu.“

Sinha a kolegovia použili transferové učenie, odvetvie umelej inteligencie, na vytvorenie VNÍMANIA.

„Našou hlavnou výzvou boli obmedzené údaje o jednotlivých bunkách z kliník. Modely umelej inteligencie potrebujú veľké množstvo údajov na pochopenie choroby, rovnako ako ChatGPT potrebuje obrovské množstvo textových údajov z internetu,“ vysvetľuje Sinha.

PERCEPTION využíva publikované hromadné údaje o génovej expresii z nádorov na predtrénovanie svojich modelov. Následne boli na doladenie modelov použité údaje z jednotlivých bunkových línií a od pacientov, aj keď v obmedzenej miere.

V troch nezávislých, nedávno publikovaných klinických štúdiách PERCEPTION úspešne validoval predikciu odpovede na monoterapiu a kombinovanú liečbu mnohopočetný myelóm, rakovinu prsníka a rakovinu pľúc. V každom prípade PERCEPTION správne stratifikoval pacientov na respondentov a nerespondentov. Pri rakovine pľúc dokonca zachytil vývoj rezistencie na lieky s postupom ochorenia, čo je významný nález s veľkým potenciálom.

Sinha hovorí, že PERCEPTION ešte nie je pripravený na použitie v klinických podmienkach, ale tento prístup ukazuje, že informácie na úrovni jednotlivých buniek možno použiť na usmernenie liečby. Dúfa, že podporí prijatie tejto technológie v klinických podmienkach s cieľom generovať viac údajov, ktoré možno použiť na ďalší rozvoj a zlepšenie technológie pre klinické použitie.

„Kvalita predikcie sa zlepšuje s kvalitou a kvantitou údajov, na ktorých je založená,“ hovorí Sinha. „Naším cieľom je vytvoriť klinický nástroj, ktorý dokáže systematicky a na základe údajov predpovedať odpoveď na liečbu u jednotlivých pacientov s rakovinou. Dúfame, že tieto zistenia v blízkej budúcnosti podnietia k získaniu ďalších údajov a podobných štúdií.“