Mākslīgais intelekts prognozē reakciju uz vēža terapiju, pamatojoties uz datiem no katras audzēja šūnas
Pēdējā pārskatīšana: 14.06.2024
Visi iLive saturs ir medicīniski pārskatīts vai pārbaudīts, lai nodrošinātu pēc iespējas lielāku faktisko precizitāti.
Mums ir stingras iegādes vadlīnijas un tikai saikne ar cienījamiem mediju portāliem, akadēmiskām pētniecības iestādēm un, ja vien iespējams, medicīniski salīdzinošiem pārskatiem. Ņemiet vērā, ka iekavās ([1], [2] uc) esošie numuri ir klikšķi uz šīm studijām.
Ja uzskatāt, ka kāds no mūsu saturiem ir neprecīzs, novecojis vai citādi apšaubāms, lūdzu, atlasiet to un nospiediet Ctrl + Enter.
Ar vairāk nekā 200 vēža veidiem un katru atsevišķi unikālo gadījumu pastāvīgie centieni izstrādāt precīzas onkoloģijas ārstēšanas metodes joprojām ir izaicinājums. Galvenā uzmanība tiek pievērsta ģenētisko testu izstrādei, lai identificētu mutācijas vēža izraisītāju gēnos un noteiktu atbilstošu ārstēšanu pret šīm mutācijām.
Tomēr daudzi, ja ne vairums, pacienti ar vēzi negūst ievērojamu labumu no šīm agrīnajām mērķterapijas metodēm. Jaunajā pētījumā, kas publicēts Nature Cancer, pirmais autors Sanju Sinha, Ph.D., Vēža molekulārās terapijas programmas docents. Sanford Burnham Prebys kopā ar vadošajiem autoriem Eitan Ruppin, MD, PhD, un Alejandro Schaffer, PhD, no Nacionālā vēža institūta, kas ir daļa no Nacionālajiem veselības institūtiem (NIH), un kolēģi apraksta unikālu skaitļošanas sistēmu pacientu sistemātiskai prognozēšanai. Atbildes reakcija uz vēža zālēm vienšūnu līmenī.
Tā sauc par personalizētu ārstēšanas plānošanu onkoloģijā, pamatojoties uz vienas šūnas transkripta ekspresiju (PERCEPTION), jaunā uz mākslīgo intelektu balstītā pieeja ir saistīta ar transkriptomikas izpēti — transkripcijas faktoru izpēti, mRNS molekulām, ko ekspresē gēni un tulko. DNS informācija darbībā.
"Audzējs ir sarežģīts un pastāvīgi mainīgs organisms. Izmantojot vienas šūnas izšķirtspēju, mēs varam atrisināt abas šīs problēmas," saka Sinha. "PERCEPTION ļauj izmantot bagātīgu informāciju no vienas šūnas omeksisa, lai izprastu audzēja klonālo arhitektūru un uzraudzītu rezistences rašanos." (Bioloģijā omeksis attiecas uz šūnā esošo sastāvdaļu summu.)
Sinha saka: "Spēja uzraudzīt rezistences rašanos man ir pati aizraujošākā daļa. Tas var ļaut mums pielāgoties vēža šūnu evolūcijai un pat mainīt ārstēšanas stratēģiju."
Sinha un kolēģi izmantoja pārneses mācības, AI atzaru, lai izveidotu PERCEPTION.
"Mūsu galvenais izaicinājums bija ierobežoti šūnu līmeņa dati no klīnikām. AI modeļiem ir nepieciešams liels datu apjoms, lai izprastu slimības, tāpat kā ChatGPT ir nepieciešams milzīgs teksta datu apjoms no interneta," skaidro Sinha.
PERCEPTION izmanto publicētus masveida gēnu ekspresijas datus no audzējiem, lai iepriekš sagatavotu savus modeļus. Pēc tam modeļu regulēšanai tika izmantoti vienas šūnas līmeņa dati no šūnu līnijām un pacientiem, lai gan tie bija ierobežoti.
PERCEPTION tika veiksmīgi apstiprināts, lai prognozētu atbildes reakciju uz monoterapiju un kombinēto terapiju trīs neatkarīgos, nesen publicētos klīniskos pētījumos ar multiplo mielomu, krūts un plaušu vēzi. Katrā gadījumā PERCEPTION pareizi iedalīja pacientus reaģējošos un nereaģējošos. Plaušu vēža gadījumā viņš pat dokumentēja zāļu rezistences attīstību, slimībai progresējot, kas ir nozīmīgs atklājums ar lielu potenciālu.
Sinha saka, ka PERCEPTION vēl nav gatavs lietošanai klīnikā, taču pieeja liecina, ka informāciju vienas šūnas līmenī var izmantot, lai vadītu ārstēšanu. Viņš cer veicināt šīs tehnoloģijas ieviešanu klīnikās, lai iegūtu vairāk datu, ko varētu izmantot, lai tālāk attīstītu un uzlabotu tehnoloģiju klīniskai lietošanai.
"Prognozēšanas kvalitāte uzlabojas līdz ar to datu kvalitāti un kvantitāti, uz kuriem tā ir balstīta," saka Sinha. "Mūsu mērķis ir izveidot klīnisku rīku, kas var sistemātiski un uz datiem balstīti prognozēt ārstēšanas reakciju atsevišķiem pacientiem ar vēzi. Mēs ceram, ka šie atklājumi tuvākajā nākotnē stimulēs vairāk datu un līdzīgu pētījumu."