Artificiell intelligens förutsäger respons på cancerterapi baserat på data från varje tumörcell
Senast recenserade: 14.06.2024
Allt iLive-innehåll är mediekontrollerat eller faktiskt kontrollerat för att säkerställa så mycket faktuell noggrannhet som möjligt.
Vi har strikta sourcing riktlinjer och endast länk till välrenommerade media webbplatser, akademiska forskningsinstitut och, när det är möjligt, medicinsk peer granskad studier. Observera att siffrorna inom parentes ([1], [2] etc.) är klickbara länkar till dessa studier.
Om du anser att något av vårt innehåll är felaktigt, omodernt eller på annat sätt tveksamt, välj det och tryck på Ctrl + Enter.
Med mer än 200 typer av cancer och varje individuellt unikt fall förblir pågående ansträngningar för att utveckla precisionsbehandlingar för onkologiska behandlingar utmanande. Fokus ligger på att utveckla genetiska tester för att identifiera mutationer i cancerframkallande gener och identifiera lämpliga behandlingar mot dessa mutationer.
Många, om inte de flesta, patienter med cancer har dock inte någon större nytta av dessa tidiga riktade terapier. I den nya studien, publicerad i Nature Cancer, visar första författaren Sanju Sinha, Ph.D., biträdande professor i Molecular Therapeutics Program in Cancer vid Sanford Burnham Prebys, tillsammans med huvudförfattarna Eitan Ruppin, MD, PhD, och Alejandro Schaffer, PhD, från National Cancer Institute, en del av National Institutes of Health (NIH), och kollegor beskriver ett unikt beräkningssystem för att systematiskt förutsäga patienten svar på cancerläkemedel på encellsnivå.
Kallt personaliserad behandlingsplanering inom onkologi baserad på encellig transkriptionsuttryck (PERCEPTION), den nya artificiella intelligensbaserade metoden fördjupar sig i studiet av transkriptomik – studiet av transkriptionsfaktorer, mRNA-molekylerna som uttrycks av gener och översätter DNA-information till handling.
"En tumör är en komplex och ständigt föränderlig organism. Genom att använda encellsupplösning kan vi lösa båda dessa problem", säger Sinha. "PERCEPTION möjliggör användningen av rik information från encellig omexis för att förstå tumörens klonala arkitektur och övervaka uppkomsten av resistens." (Inom biologi hänvisar omexis till summan av beståndsdelarna i en cell.)
Sinha säger: "Förmågan att övervaka uppkomsten av resistens är den mest spännande delen för mig. Detta har potential att tillåta oss att anpassa oss till utvecklingen av cancerceller och till och med ändra vår behandlingsstrategi."
Sinha och kollegor använde transfer learning, en gren av AI, för att skapa PERCEPTION.
"Begränsad data på cellnivå från kliniker var vår största utmaning. AI-modeller behöver stora mängder data för att förstå sjukdom, precis som ChatGPT behöver enorma mängder textdata från Internet", förklarar Sinha.
PERCEPTION använder publicerade bulkgenexpressionsdata från tumörer för att förträna sina modeller. Därefter användes encellsnivådata från cellinjer och patienter, även om de var begränsade, för att finjustera modellerna.
PERCEPTION validerades framgångsrikt för att förutsäga svar på monoterapi och kombinationsterapi i tre oberoende, nyligen publicerade kliniska prövningar av multipelt myelom, bröst- och lungcancer. I varje fall stratifierade PERCEPTION patienterna korrekt till responders och non-responders. Inom lungcancer dokumenterade han till och med utvecklingen av läkemedelsresistens när sjukdomen fortskrider, vilket är en betydande upptäckt med stor potential.
Sinha säger att PERCEPTION ännu inte är redo att användas på kliniken, men tillvägagångssättet visar att information på encellsnivå kan användas för att vägleda behandlingen. Han hoppas kunna uppmuntra antagandet av denna teknik på kliniker för att generera mer data som kan användas för att vidareutveckla och förbättra tekniken för klinisk användning.
"Kvaliteten på prognoser förbättras med kvaliteten och kvantiteten av data som den är baserad på", säger Sinha. "Vårt mål är att skapa ett kliniskt verktyg som systematiskt och datadrivet kan förutsäga behandlingssvar hos enskilda patienter med cancer. Vi hoppas att dessa fynd kommer att stimulera mer data och liknande studier inom en snar framtid."