Umjetna inteligencija predviđa odgovor na terapiju raka na temelju podataka iz svake tumorske stanice
Posljednji pregledao: 14.06.2024
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 pojedinačno jedinstvenim slučajem, stalni napori da se razviju precizni onkološki tretmani i dalje su izazovni. Fokus je na razvoju genetskih testova za identifikaciju mutacija u genima pokretača raka i identificiranju odgovarajućih tretmana protiv tih mutacija.
Međutim, mnogi, ako ne i većina pacijenata s rakom nemaju značajne koristi od ovih ranih ciljanih terapija. U novoj studiji, objavljenoj u časopisu Nature Cancer, prvi autor Sanju Sinha, Ph.D., docent na Molecular Therapeutics Program in Cancer na Sanford Burnham Prebys, zajedno s vodećim autorima Eitanom Ruppinom, dr. Med., dr. Sc., i dr. Sc. Alejandro Schaffer, s Nacionalnog instituta za rak, dijela Nacionalnog instituta za zdravlje (NIH), i kolegama opisuju jedinstveni računalni sustav za sustavno predviđanje pacijenata odgovor na lijekove protiv raka na razini jedne stanice.
Nazvan personalizirano planiranje liječenja u onkologiji temeljeno na ekspresiji jednostaničnog transkripta (PERCEPTION), novi pristup temeljen na umjetnoj inteligenciji bavi se proučavanjem transkriptomike—proučavanjem faktora transkripcije, molekula mRNA koje se izražavaju pomoću gena i prevode DNK informacije u djelo.
"Tumor je složen organizam koji se stalno mijenja. Korištenje rezolucije jedne stanice omogućuje nam rješavanje oba ova problema", kaže Sinha. "PERCEPTION omogućuje korištenje bogatih informacija iz jednostaničnog omexisa za razumijevanje klonske arhitekture tumora i praćenje pojave rezistencije." (U biologiji, omexis se odnosi na zbroj sastojaka unutar stanice.)
Sinha kaže: "Mogućnost praćenja pojave rezistencije za mene je najuzbudljiviji dio. To ima potencijal omogućiti nam da se prilagodimo evoluciji stanica raka, pa čak i promijeniti našu strategiju liječenja."
Sinha i kolege koristili su prijenos učenja, granu umjetne inteligencije, kako bi stvorili PERCEPCIJU.
"Ograničeni podaci na razini stanice s 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 masovne podatke o ekspresiji gena iz tumora za prethodnu obuku svojih modela. Zatim su za podešavanje modela korišteni podaci na razini jedne stanice iz staničnih linija i pacijenata, iako ograničeni.
PERCEPTION je uspješno potvrđen u predviđanju odgovora na monoterapiju i kombiniranu terapiju u tri neovisna, nedavno objavljena klinička ispitivanja kod multiplog mijeloma, raka dojke i pluća. U svakom slučaju, PERCEPTION je ispravno podijelio pacijente na one koji su odgovorili i one koji nisu odgovorili. Kod raka pluća čak je dokumentirao razvoj otpornosti na lijekove kako bolest napreduje, 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 jedne stanice mogu koristiti za usmjeravanje liječenja. Nada se da će potaknuti usvajanje ove tehnologije u klinikama kako bi se stvorilo 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 ono temelji", kaže Sinha. "Naš cilj je stvoriti klinički alat koji može sustavno i na temelju podataka predvidjeti odgovor na liječenje kod pojedinačnih pacijenata s rakom. Nadamo se da će ova otkrića potaknuti više podataka i sličnih studija u bliskoj budućnosti."