Nove publikacije
Umjetna inteligencija predviđa odgovor na terapiju raka na temelju podataka iz svake tumorske stanice
Posljednji pregledao: 02.07.2025

Svi iLive sadržaji medicinski se pregledavaju ili provjeravaju kako bi se osigurala što je moguće točnija činjenica.
Imamo stroge smjernice za pronalaženje izvora i samo povezujemo s uglednim medijskim stranicama, akademskim istraživačkim institucijama i, kad god je to moguće, medicinski pregledanim studijama. Imajte na umu da su brojevi u zagradama ([1], [2], itd.) Poveznice koje se mogu kliknuti na ove studije.
Ako smatrate da je bilo koji od naših sadržaja netočan, zastario ili na neki drugi način upitan, odaberite ga i pritisnite Ctrl + Enter.

S više od 200 vrsta raka i svakim jedinstvenim slučajem, kontinuirani napori za razvoj preciznih tretmana raka ostaju izazovni. Fokus je na razvoju genetskih testova za identifikaciju mutacija u genima koji potiču rak i prilagođavanju tretmana usmjerenih na te mutacije.
Međutim, mnogi, ako ne i većina, pacijenata oboljelih od raka nemaju značajne koristi od ovih ranih ciljanih terapija. U novoj studiji objavljenoj u časopisu Nature Cancer, prvi autor Sanju Sinha, dr. sc., docent u Programu molekularne terapije raka na Sveučilištu Sanford Burnham Prebys, zajedno s glavnim autorima Eitanom Ruppinom, dr. med., dr. sc., i Alejandrom Schafferom, dr. sc., iz Nacionalnog instituta za rak, dijela Nacionalnog instituta za zdravlje (NIH), i kolegama opisuje jedinstveni računalni sustav za sustavno predviđanje kako će pacijenti reagirati na lijekove protiv raka na razini pojedinačnih stanica.
Nazvan PERSONALIZIRANO PLANIRANJE ONKOLOŠKOG LIJEČENJA NA TEMELJU EKSPRESIJE (PERCEPCIJE) TRANSCIPA POJEDINE STANICE, novi pristup, utemeljen na umjetnoj inteligenciji, zalazi u transkriptomiku - proučavanje transkripcijskih faktora, molekula mRNA koje geni eksprimiraju i prevode informacije o DNK u djelovanje.
„Tumori su složeni i stalno promjenjivi organizmi. Korištenje rezolucije pojedinačnih stanica omogućuje nam rješavanje oba ova izazova“, kaže Sinha. „PERCEPCIJA nam omogućuje korištenje bogatih informacija iz omeksičkih metoda pojedinačnih stanica kako bismo razumjeli klonsku arhitekturu tumora i pratili pojavu otpornosti.“ (U biologiji, omeksičke metode odnose se na zbroj dijelova unutar stanice.)
Sinha kaže: „Mogućnost praćenja pojave otpornosti je za mene najuzbudljiviji dio. Ima potencijal da nam omogući prilagodbu evoluciji stanica raka, pa čak i promjenu naše strategije liječenja.“
Sinha i kolege koristili su transferno učenje, granu umjetne inteligencije, kako bi stvorili PERCEPCIJU.
„Ograničeni podaci o pojedinačnim stanicama iz klinika bili su naš glavni izazov. Modeli umjetne inteligencije trebaju velike količine podataka za razumijevanje bolesti, baš kao što ChatGPT treba ogromne količine tekstualnih podataka s interneta“, objašnjava Sinha.
PERCEPTION koristi objavljene skupne podatke o ekspresiji gena iz tumora za predučenje svojih modela. Zatim su podaci na razini pojedinačnih stanica iz staničnih linija i pacijenata, iako ograničeni, korišteni za podešavanje modela.
PERCEPTION je uspješno validiran u predviđanju odgovora na monoterapiju i kombiniranu terapiju u tri neovisna, nedavno objavljena klinička ispitivanja multiplog mijeloma, raka dojke i raka pluća. U svakom slučaju, PERCEPTION je ispravno stratificirao pacijente na one koji reagiraju i one koji ne reagiraju. Kod raka pluća, čak je uhvatio i razvoj rezistencije na lijekove kako je bolest napredovala, što je značajno otkriće s velikim potencijalom.
Sinha kaže da PERCEPTION još nije spreman za upotrebu u klinici, ali pristup pokazuje da se informacije na razini pojedinačnih stanica mogu koristiti za vođenje liječenja. Nada se da će potaknuti usvajanje tehnologije u klinikama kako bi se generiralo više podataka koji se mogu koristiti za daljnji razvoj i poboljšanje tehnologije za kliničku upotrebu.
„Kvaliteta predviđanja poboljšava se s kvalitetom i količinom podataka na kojima se temelji“, kaže Sinha. „Naš je cilj stvoriti klinički alat koji može sustavno i na temelju podataka predvidjeti odgovor na liječenje kod pojedinačnih pacijenata oboljelih od raka. Nadamo se da će ovi nalazi potaknuti više podataka i sličnih studija u bliskoj budućnosti.“