Dirbtinis intelektas prognozuoja atsaką į vėžio gydymą pagal kiekvienos naviko ląstelės duomenis

Kadangi yra daugiau nei 200 vėžio rūšių ir kiekvienas atvejis yra unikalus, nuolatinės pastangos sukurti tikslius vėžio gydymo būdus tebėra sudėtingos. Dėmesys sutelktas į genetinių testų, skirtų nustatyti vėžį sukeliančių genų mutacijas, kūrimą ir gydymo pritaikymą, nukreiptą prieš šias mutacijas.

Vis dėlto daugelis, jei ne dauguma, vėžiu sergančių pacientų, negauna reikšmingos naudos iš šios ankstyvos tikslinės terapijos. Naujame žurnale „Nature Cancer“ paskelbtame tyrime pirmasis autorius Sanju Sinha, daktaras, Sanford Burnham Prebys molekulinės vėžio terapijos programos docentas, kartu su pagrindiniais autoriais Eitan Ruppin, MD, PhD, ir Alejandro Schaffer, daktaras, iš Nacionalinio vėžio instituto, kuris yra Nacionalinių sveikatos institutų (NIH) dalis, ir kolegomis aprašo unikalią skaičiavimo sistemą, skirtą sistemingai prognozuoti, kaip pacientai reaguos į vaistus nuo vėžio vienos ląstelės lygmeniu.

Naujasis dirbtiniu intelektu paremtas metodas, vadinamas PERSONALIZUOTU ONKOLOGIJOS GYDYMO PLANAVIMU, PAGRĮSTU VIENOS LĄSTELĖS TRANSCIPĖS IŠRAIŠKA (SUVOKIMU), gilinasi į transkriptomiką – transkripcijos faktorių, genų ekspresuojamų mRNR molekulių, kurios DNR informaciją paverčia veiksmu, tyrimą.

„Navikai yra sudėtingi ir nuolat kintantys organizmai. Naudojant vienaląsčių ląstelių skiriamąją gebą, galime išspręsti abu šiuos iššūkius“, – sako Sinha. „SUVOKTIS leidžia mums panaudoti turtingą informaciją iš vienaląsčių omeksikų, kad suprastume naviko kloninę architektūrą ir stebėtume atsparumo atsiradimą.“ (Biologijoje omeksikai reiškia ląstelės dalių sumą.)

Sinha sako: „Galimybė stebėti atsparumo atsiradimą man yra pati įdomiausia. Tai gali leisti mums prisitaikyti prie vėžio ląstelių evoliucijos ir netgi pakeisti gydymo strategiją.“

Sinha ir kolegos panaudojo perkėlimo mokymąsi, dirbtinio intelekto šaką, kad sukurtų SUOPRĄ.

„Pagrindinis mūsų iššūkis buvo riboti pavienių ląstelių duomenys iš klinikų. Dirbtinio intelekto modeliams reikia didelių duomenų kiekių, kad suprastų ligas, lygiai taip pat, kaip „ChatGPT“ reikia didžiulių tekstinių duomenų kiekių iš interneto“, – aiškina Sinha.

PERCEPTION naudoja paskelbtus masinės genų raiškos duomenis iš navikų, kad iš anksto apmokytų savo modelius. Tada, nors ir riboti, pavienių ląstelių lygmens duomenys iš ląstelių linijų ir pacientų buvo panaudoti modeliams derinti.

PERCEPTION sėkmingai patvirtintas prognozuojant atsaką į monoterapiją ir kombinuotąją terapiją trijuose nepriklausomuose, neseniai paskelbtuose klinikiniuose tyrimuose, kuriuose dalyvavo daugybinės mielomos, krūties vėžio ir plaučių vėžio pacientai. Kiekvienu atveju PERCEPTION teisingai suskirstė pacientus į reaguojančius į gydymą ir nereaguojančius į jį. Plaučių vėžio atveju jis netgi užfiksavo atsparumo vaistams vystymąsi ligai progresuojant – tai reikšmingas ir didelį potencialą turintis atradimas.

Sinha teigia, kad PERCEPTION dar nėra paruoštas naudoti klinikoje, tačiau šis metodas rodo, kad informacija atskirų ląstelių lygmeniu gali būti naudojama gydymui nukreipti. Jis tikisi paskatinti technologijos diegimą klinikose, kad būtų sugeneruota daugiau duomenų, kuriuos būtų galima panaudoti toliau plėtojant ir tobulinant technologiją klinikiniam naudojimui.

„Prognozių kokybė gerėja kartu su duomenų, kuriais jos pagrįstos, kokybe ir kiekiu“, – sako Sinha. „Mūsų tikslas – sukurti klinikinį įrankį, kuris galėtų sistemingai ir duomenimis pagrįstą numatyti gydymo atsaką individualiems vėžiu sergantiems pacientams. Tikimės, kad šie rezultatai paskatins daugiau duomenų ir panašių tyrimų artimiausiu metu.“