Új kiadványok
A mesterséges intelligencia az egyes tumorsejtek adatai alapján megjósolja a rákterápiára adott választ
Utolsó ellenőrzés: 02.07.2025

Minden iLive-tartalmat orvosi szempontból felülvizsgáltak vagy tényszerűen ellenőriznek, hogy a lehető legtöbb tényszerű pontosságot biztosítsák.
Szigorú beszerzési iránymutatásunk van, és csak a jó hírű média oldalakhoz, az akadémiai kutatóintézetekhez és, ha lehetséges, orvosilag felülvizsgált tanulmányokhoz kapcsolódik. Ne feledje, hogy a zárójelben ([1], [2] stb.) Szereplő számok ezekre a tanulmányokra kattintható linkek.
Ha úgy érzi, hogy a tartalom bármely pontatlan, elavult vagy más módon megkérdőjelezhető, jelölje ki, és nyomja meg a Ctrl + Enter billentyűt.

Mivel több mint 200 ráktípus létezik, és minden eset egyedi, a precíziós rákkezelések fejlesztésére irányuló folyamatos erőfeszítések továbbra is kihívást jelentenek. A hangsúly a rákot előidéző gének mutációinak azonosítására szolgáló genetikai tesztek kidolgozásán, valamint a kezelések ezen mutációk célzott megcélzásán van.
Azonban sok, ha nem a legtöbb rákos beteg nem részesül jelentős előnyben ezekből a korai célzott terápiákból. A Nature Cancer folyóiratban megjelent új tanulmányban az első szerző, Dr. Sanju Sinha, a Sanford Burnham Prebys Molekuláris Rákkutató Programjának adjunktusa, a vezető szerzőkkel, Dr. Eitan Ruppinnal és Dr. Alejandro Schafferrel, a Nemzeti Egészségügyi Intézetek (NIH) részét képező Nemzeti Rákkutató Intézet munkatársaival együtt kollégáik egy egyedülálló számítási rendszert írnak le, amely szisztematikusan megjósolja, hogyan reagálnak a betegek a rákellenes gyógyszerekre egysejtszinten.
Az egysejtű transzkripciókifejeződésen (észlelésen) alapuló, személyre szabott onkológiai kezeléstervezésnek nevezett új, mesterséges intelligencián alapuló megközelítés a transzkriptomikába – a transzkripciós faktorok, a gének által expresszált és a DNS-információkat cselekvéssé alakító mRNS-molekulák vizsgálatába – merül el.
„A tumorok összetett és folyamatosan változó élőlények. Az egysejtű felbontás lehetővé teszi számunkra, hogy mindkét kihívást kezeljük” – mondja Sinha. „Az észlelés lehetővé teszi számunkra, hogy az egysejtű omexikákból származó gazdag információkat felhasználjuk a tumor klonális architektúrájának megértéséhez és a rezisztencia kialakulásának monitorozásához.” (A biológiában az omexikák a sejten belüli részek összességére utalnak.)
Sinha szerint: „Számomra a rezisztencia kialakulásának monitorozásának képessége a legizgalmasabb. Ez lehetővé teszi számunkra, hogy alkalmazkodjunk a rákos sejtek evolúciójához, sőt, akár a kezelési stratégiánkat is megváltoztassuk.”
Sinha és kollégái a transzfertanulást, a mesterséges intelligencia egyik ágát használták az ÉRZÉKELÉS létrehozásához.
„A klinikákról származó korlátozott egysejt-adatok jelentették a fő kihívást. A mesterséges intelligencia modelljeinek nagy mennyiségű adatra van szükségük a betegségek megértéséhez, ahogy a ChatGPT-nek is hatalmas mennyiségű szöveges adatra van szüksége az internetről” – magyarázza Sinha.
A PERCEPTION tumorokból származó, publikált, tömeges génexpressziós adatokat használ fel modelljei előtanításához. Ezután sejtvonalakból és betegekből származó, egysejt szintű adatokat – bár korlátozott mennyiségben – használtak fel a modellek finomhangolására.
A PERCEPTION-t sikeresen validálták a monoterápiára és a kombinációs terápiára adott válasz előrejelzésében három független, nemrégiben publikált klinikai vizsgálatban myeloma multiplex, emlőrák és tüdőrák esetén. A PERCEPTION minden esetben helyesen rétegezte a betegeket reagálókra és nem reagálókra. Tüdőrák esetén még a gyógyszerrezisztencia kialakulását is rögzítette a betegség előrehaladtával, ami egy jelentős és nagy potenciállal bíró megállapítás.
Sinha szerint a PERCEPTION még nem áll készen a klinikai használatra, de a megközelítés azt mutatja, hogy az egyes sejtek szintjén szerzett információk felhasználhatók a kezelés irányításához. Reméli, hogy ösztönözni fogja a technológia klinikákon való alkalmazását, hogy több adatot generáljon, amelyeket a technológia klinikai használatra való továbbfejlesztésére és javítására lehet felhasználni.
„A predikció minősége az alapul szolgáló adatok minőségével és mennyiségével javul” – mondja Sinha. „Célunk egy olyan klinikai eszköz létrehozása, amely szisztematikusan és adatvezérelten képes előre jelezni a kezelésre adott válaszokat az egyes rákos betegeknél. Reméljük, hogy ezek az eredmények a közeljövőben további adatok gyűjtésére és hasonló vizsgálatokra ösztönöznek majd.”