Dirbtinis intelektas numato atsaką į vėžio gydymą, remdamasis kiekvienos naviko ląstelės duomenimis
Paskutinį kartą peržiūrėta: 14.06.2024
Visas „iLive“ turinys yra peržiūrėtas medicinoje arba tikrinamas, kad būtų užtikrintas kuo didesnis faktinis tikslumas.
Mes turime griežtas įsigijimo gaires ir susiejamos tik su geros reputacijos žiniasklaidos svetainėmis, akademinių tyrimų institucijomis ir, jei įmanoma, medicininiu požiūriu peržiūrimais tyrimais. Atkreipkite dėmesį, kad skliausteliuose ([1], [2] ir tt) esantys numeriai yra paspaudžiami nuorodos į šias studijas.
Jei manote, kad bet koks mūsų turinys yra netikslus, pasenęs arba kitaip abejotinas, pasirinkite jį ir paspauskite Ctrl + Enter.
Kadangi yra daugiau nei 200 vėžio rūšių ir kiekvienas individualus atvejis, nuolatinės pastangos kurti tikslius onkologinius gydymo būdus tebėra sudėtingos. Pagrindinis dėmesys skiriamas genetinių testų kūrimui, siekiant nustatyti vėžį sukeliančių genų mutacijas ir tinkamą gydymą nuo šių mutacijų.
Tačiau daugelis, jei ne dauguma, vėžiu sergančių pacientų negauna didelės naudos iš šių ankstyvų tikslinių gydymo būdų. Naujajame tyrime, paskelbtame Nature Cancer, pirmasis autorius Sanju Sinha, mokslų daktaras, vėžio molekulinės terapijos programos docentas Sanford Burnham Prebys, kartu su pagrindiniais autoriais Eitanu Ruppinu, MD, PhD, ir Alejandro Schaffer, PhD, iš Nacionalinio vėžio instituto, Nacionalinio sveikatos instituto (NIH) dalies, ir kolegos aprašo unikalią skaičiavimo sistemą, skirtą sistemingai prognozuoti pacientą. Atsakas į vaistus nuo vėžio vienos ląstelės lygiu.
Vadinamas individualizuotas gydymo planavimas onkologijoje, pagrįstas vienos ląstelės transkripto ekspresija (PERCEPTION), naujas dirbtiniu intelektu pagrįstas metodas gilinasi į transkriptomikos – transkripcijos faktorių, mRNR molekulių, kurias išreiškia genai ir transliuoja, tyrimą. DNR informacija veikia.
"Navikas yra sudėtingas ir nuolat kintantis organizmas. Naudojant vienos ląstelės skiriamąją gebą galime išspręsti abi šias problemas", - sako Sinha. "PERCEPTION leidžia naudoti turtingą informaciją iš vienos ląstelės omeksijos, kad būtų galima suprasti naviko kloninę architektūrą ir stebėti atsparumo atsiradimą." (Biologijoje omeksis reiškia ląstelėje esančių sudedamųjų dalių sumą.)
Sinha sako: „Gebėjimas stebėti atsparumo atsiradimą man yra pati įdomiausia dalis. Tai gali leisti mums prisitaikyti prie vėžio ląstelių evoliucijos ir netgi pakeisti gydymo strategiją.“
Sinha ir kolegos naudojo mokymąsi perkėlimo, AI šaką, kad sukurtų SUVOKIMU.
„Pagrindinis mūsų iššūkis buvo riboti ląstelių lygio duomenys iš klinikų. Dirbtinio intelekto modeliams reikia daug duomenų, kad suprastų ligą, kaip ir ChatGPT reikia didžiulių tekstinių duomenų iš interneto“, – aiškina Sinha.
PERCEPTION naudoja paskelbtus masinius genų ekspresijos duomenis iš navikų, kad iš anksto apmokytų savo modelius. Tada modeliams derinti buvo naudojami vienos ląstelės lygio duomenys iš ląstelių linijų ir pacientų, nors ir riboti.
PERCEPTION buvo sėkmingai patvirtintas numatant atsaką į monoterapiją ir kombinuotą gydymą trijuose nepriklausomuose, neseniai paskelbtuose klinikiniuose tyrimuose dėl daugybinės mielomos, krūties ir plaučių vėžio. Kiekvienu atveju PERCEPTION teisingai suskirstė pacientus į reaguojančius ir nereaguojančius. Plaučių vėžio atveju jis netgi dokumentavo atsparumo vaistams vystymąsi ligai progresuojant, o tai yra reikšmingas atradimas, turintis didelį potencialą.
Sinha sako, kad PERCEPTION dar nėra paruoštas naudoti klinikoje, tačiau metodas rodo, kad informacija apie vienos ląstelės lygį gali būti naudojama gydymui. Jis tikisi paskatinti šią technologiją pritaikyti klinikose, kad būtų gauta daugiau duomenų, kuriuos būtų galima panaudoti toliau plėtojant ir tobulinant klinikinio naudojimo technologiją.
„Prognozavimo kokybė gerėja atsižvelgiant į duomenų, kuriais jis grindžiamas, kokybę ir kiekį“, – sako Sinha. "Mūsų tikslas yra sukurti klinikinį įrankį, kuris galėtų sistemingai ir duomenimis pagrįsti prognozuoti atsaką į gydymą atskiriems vėžiu sergantiems pacientams. Tikimės, kad šios išvados paskatins daugiau duomenų ir panašių tyrimų artimiausioje ateityje."