Umetna inteligenca na podlagi podatkov iz vsake tumorske celice napoveduje odziv na zdravljenje raka

Ker obstaja več kot 200 vrst raka in je vsak primer edinstven, so prizadevanja za razvoj natančnih zdravljenj raka še vedno izziv. Poudarek je na razvoju genetskih testov za prepoznavanje mutacij v genih, ki povzročajo raka, in prilagajanju zdravljenja, ki bo ciljalo na te mutacije.

Vendar pa mnogi, če ne večina, bolnikov z rakom nimajo bistvenih koristi od teh zgodnjih ciljno usmerjenih terapij. V novi študiji, objavljeni v reviji Nature Cancer, prvi avtor Sanju Sinha, dr. med., docent na programu za molekularno terapijo raka na univerzi Sanford Burnham Prebys, skupaj z vodilnima avtorjema Eitanom Ruppinom, dr. med., dr., in Alejandrom Schafferjem, dr. med., z Nacionalnega inštituta za raka, ki je del Nacionalnih inštitutov za zdravje (NIH), ter sodelavci opisujejo edinstven računalniški sistem za sistematično napovedovanje odziva bolnikov na zdravila proti raku na ravni posameznih celic.

Nov pristop, imenovan PERSONALIZIRANO NAČRTOVANJE ZDRAVLJENJA ONKOLOGIJE NA PODLAGI IZRAŽANJA (ZAPOMENA) TRANSCIPA V POSAMEZNIH CELICAH, se poglablja v transkriptomiko – preučevanje transkripcijskih faktorjev, molekul mRNA, ki jih izražajo geni in prevajajo informacije DNK v dejanja.

»Tumorji so kompleksni in nenehno spreminjajoči se organizmi. Uporaba ločljivosti posameznih celic nam omogoča, da se spopademo z obema izzivoma,« pravi Sinha. »ZAPOZNAVANJE nam omogoča, da bogate informacije iz omeksike posameznih celic uporabimo za razumevanje klonske arhitekture tumorja in spremljanje nastanka odpornosti.« (V biologiji se omeksika nanaša na vsoto delov znotraj celice.)

Sinha pravi: »Možnost spremljanja nastanka odpornosti je zame najbolj vznemirljiv del. Ima potencial, da nam omogoči, da se prilagodimo razvoju rakavih celic in celo spremenimo svojo strategijo zdravljenja.«

Sinha in sodelavci so s prenosnim učenjem, vejo umetne inteligence, ustvarili ZAZNAVANJE.

»Naš glavni izziv so bili omejeni podatki o posameznih celicah iz klinik. Modeli umetne inteligence potrebujejo velike količine podatkov za razumevanje bolezni, tako kot ChatGPT potrebuje ogromne količine besedilnih podatkov z interneta,« pojasnjuje Sinha.

PERCEPTION uporablja objavljene podatke o izražanju genov iz tumorjev za predhodno učenje svojih modelov. Nato so bili za optimizacijo modelov uporabljeni podatki o posameznih celicah iz celičnih linij in bolnikov, čeprav omejeni.

Metoda PERCEPTION je bila uspešno potrjena pri napovedovanju odziva na monoterapijo in kombinirano zdravljenje v treh neodvisnih, nedavno objavljenih kliničnih preskušanjih pri multipli mielomi, raku dojke in pljučnem raku. V vsakem primeru je PERCEPTION pravilno stratificirala bolnike na odzivne in neodzivne. Pri pljučnem raku je celo zajela razvoj odpornosti na zdravila z napredovanjem bolezni, kar je pomembna ugotovitev z velikim potencialom.

Sinha pravi, da PERCEPTION še ni pripravljen za uporabo v kliniki, vendar pristop kaže, da se lahko informacije na ravni posameznih celic uporabijo za usmerjanje zdravljenja. Upa, da bo spodbudil uporabo tehnologije v klinikah, da bi ustvarili več podatkov, ki jih je mogoče uporabiti za nadaljnji razvoj in izboljšanje tehnologije za klinično uporabo.

»Kakovost napovedovanja se izboljšuje s kakovostjo in količino podatkov, na katerih temelji,« pravi Sinha. »Naš cilj je ustvariti klinično orodje, ki lahko sistematično in na podlagi podatkov napoveduje odziv na zdravljenje pri posameznih bolnikih z rakom. Upamo, da bodo te ugotovitve v bližnji prihodnosti spodbudile več podatkov in podobne študije.«