A mesterséges intelligencia az egyes daganatsejtek adatai alapján előrejelzi a rákterápiára adott választ
Utolsó ellenőrzés: 14.06.2024
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.
A több mint 200 ráktípus és minden egyedi eset miatt a precíziós onkológiai kezelések kifejlesztésére irányuló folyamatos erőfeszítések továbbra is kihívást jelentenek. A hangsúly a genetikai tesztek kidolgozásán van a rákhajtó gének mutációinak azonosítására, valamint az ezen mutációk elleni megfelelő kezelések azonosítására.
Azonban sok, ha nem a legtöbb rákos beteg nem profitál jelentős mértékben ezekből a korai célzott terápiákból. A Nature Cancer folyóiratban megjelent új tanulmányban az első szerző Sanju Sinha, Ph.D., a rák molekuláris terápiás programjának adjunktusa. A Sanford Burnham Prebys-ben, Eitan Ruppin (MD, PhD) és Alejandro Schaffer (PhD) vezető szerzőkkel, az Országos Egészségügyi Intézet (NIH) részét képező National Cancer Institute munkatársaival és munkatársaival egy egyedülálló számítási rendszert ír le a betegek szisztematikus előrejelzésére. Válasz a rákos gyógyszerekre egysejtszinten.
Az úgynevezett személyre szabott kezeléstervezés az onkológiában az egysejtű transzkriptum expresszión (PERCEPTION) alapuló új mesterséges intelligencián alapuló megközelítés a transzkriptomika – a transzkripciós faktorok, a gének által expresszált és transzlációs mRNS-molekulák – tanulmányozásába nyúl. A DNS-információ működésbe lép.
"A daganat összetett és folyamatosan változó organizmus. Az egysejtű felbontás lehetővé teszi mindkét probléma megoldását" - mondja Sinha. "A PERCEPTION lehetővé teszi az egysejtű omexisból származó gazdag információ felhasználását a tumor klonális felépítésének megértéséhez és a rezisztencia kialakulásának nyomon követéséhez." (A biológiában az omexis a sejten belüli alkotóelemek összegét jelenti.)
Sinha azt mondja: "Számomra a rezisztencia kialakulásának nyomon követésének képessége a legizgalmasabb. Ez lehetővé teszi számunkra, hogy alkalmazkodjunk a rákos sejtek evolúciójához, és akár kezelési stratégiánkat is módosítsuk."
Sinha és munkatársai a transzfertanulást, a mesterséges intelligencia egyik ágát használták a PERCEPTION létrehozásához.
"A klinikákról származó korlátozott sejtszintű adatok jelentette a fő kihívásunkat. Az AI-modelleknek 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 a daganatokból származó publikált tömeges génexpressziós adatokat használja fel a modellek előképzéséhez. Ezt követően a sejtvonalak és a betegek egysejtszintű adatait használták fel, bár korlátozottak, de a modellek hangolásához.
A PERCEPTION sikeresen érvényesítette a monoterápiára és a kombinációs terápiára adott válasz előrejelzését három független, nemrégiben közzétett klinikai vizsgálatban myeloma multiplexben, emlő- és tüdőrákban. A PERCEPTION minden esetben helyesen csoportosította a betegeket reagálókra és nem reagálókra. A tüdőrákban még a betegség előrehaladtával a gyógyszerrezisztencia kialakulását is dokumentálta, ami jelentős felfedezés, amely nagy lehetőségeket rejt magában.
Sinha szerint a PERCEPTION még nem áll használatra készen a klinikán, de a megközelítés azt mutatja, hogy az egysejtszintű információk felhasználhatók a kezelés irányítására. Reméli, hogy ösztönözni tudja ennek a technológiának a klinikákon történő alkalmazását, hogy több adatot generáljanak, amelyek felhasználhatók a technológia klinikai felhasználásra történő továbbfejlesztésére és javítására.
„Az előrejelzés minősége javul az alapjául szolgáló adatok minőségével és mennyiségével” – mondja Sinha. "Célunk egy olyan klinikai eszköz létrehozása, amely szisztematikusan és adatközpontúan képes előre jelezni a rákos betegek kezelési reakcióját. Reméljük, hogy ezek az eredmények további adatokhoz és hasonló vizsgálatokhoz fognak ösztönözni a közeljövőben."