Новые публикации
Искусственный интеллект предсказывает ответ на терапию рака по данным каждой клетки опухоли
Последняя редакция: 14.06.2024
Весь контент Web2Health проверяется медицинскими экспертами, чтобы обеспечить максимально возможную точность и соответствие фактам.
У нас есть строгие правила по выбору источников информации и мы ссылаемся только на авторитетные сайты, академические исследовательские институты и, по возможности, доказанные медицинские исследования. Обратите внимание, что цифры в скобках ([1], [2] и т. д.) являются интерактивными ссылками на такие исследования.
Если вы считаете, что какой-либо из наших материалов является неточным, устаревшим или иным образом сомнительным, выберите его и нажмите Ctrl + Enter.
С более чем 200 видами рака и каждым индивидуально уникальным случаем, продолжающиеся усилия по разработке точных онкологических методов лечения остаются сложной задачей. Основное внимание уделяется разработке генетических анализов для выявления мутаций в генах-драйверах рака и подбору соответствующих методов лечения против этих мутаций.
Однако многие, если не большинство, пациенты с раком не получают значительной пользы от этих ранних целевых терапий. В новом исследовании, опубликованном в журнале Nature Cancer, первый автор Санжу Синха, доктор философии, доцент Программы молекулярной терапии рака в Sanford Burnham Prebys, вместе с ведущими авторами Эйтаном Руппином, доктором медицины и философии, и Алехандро Шаффером, доктором философии, из Национального института рака, являющегося частью Национальных институтов здоровья (NIH), и коллегами описывают уникальную вычислительную систему для систематического прогнозирования ответа пациентов на противораковые препараты на уровне отдельных клеток.
Названный ПЕРсонализированное Планирование Лечения в Онкологии на Основе Экспрессии Одноклеточных Транскриптов (PERCEPTION), новый подход на основе искусственного интеллекта углубляется в изучение транскриптомики — исследования факторов транскрипции, молекул мРНК, которые экспрессируются генами и преобразуют информацию ДНК в действие.
"Опухоль — это сложный и постоянно меняющийся организм. Использование разрешения на уровне отдельных клеток позволяет нам решать обе эти задачи," говорит Синха. "PERCEPTION позволяет использовать богатую информацию из одноклеточной омексики для понимания клональной архитектуры опухоли и мониторинга появления резистентности." (В биологии, омексика относится к сумме составляющих внутри клетки.)
Синха говорит: "Способность мониторить появление резистентности для меня самая захватывающая часть. Это имеет потенциал позволить нам адаптироваться к эволюции раковых клеток и даже изменять нашу стратегию лечения."
Синха и коллеги использовали трансферное обучение — ветвь ИИ — для создания PERCEPTION.
"Ограниченные данные на уровне отдельных клеток из клиник были нашей главной проблемой. Модели ИИ нужны большие объемы данных для понимания болезни, как ChatGPT нужны огромные объемы текстовых данных из интернета," объясняет Синха.
PERCEPTION использует опубликованные данные о массовой экспрессии генов из опухолей для предварительного обучения своих моделей. Затем, данные на уровне отдельных клеток из клеточных линий и пациентов, хоть и ограниченные, использовались для настройки моделей.
PERCEPTION был успешно подтвержден в прогнозировании ответа на монотерапию и комбинированное лечение в трех независимых, недавно опубликованных клинических испытаниях по множественной миеломе, раку груди и легких. В каждом случае PERCEPTION правильно стратифицировал пациентов на категории реагирующих и не реагирующих. При раке легких он даже зафиксировал развитие лекарственной резистентности по мере прогрессирования болезни, что является значительным открытием с большим потенциалом.
Синха говорит, что PERCEPTION еще не готов к использованию в клиниках, но этот подход показывает, что информацию на уровне отдельных клеток можно использовать для руководства лечением. Он надеется поощрить внедрение этой технологии в клиниках для генерации большего объема данных, которые могут быть использованы для дальнейшей разработки и улучшения технологии для клинического использования.
"Качество прогнозирования повышается с качеством и количеством данных, на которых оно основывается," говорит Синха. "Наша цель — создать клинический инструмент, который сможет систематически и на основе данных предсказывать ответ на лечение у индивидуальных пациентов с раком. Мы надеемся, что эти находки стимулируют появление большего количества данных и аналогичных исследований в ближайшем будущем."