Nové publikace
Umělá inteligence předpovídá odpověď na léčbu rakoviny na základě údajů z každé nádorové buňky
Naposledy posuzováno: 02.07.2025

Veškerý obsah iLive je lékařsky zkontrolován nebo zkontrolován, aby byla zajištěna co největší věcná přesnost.
Máme přísné pokyny pro získávání zdrojů a pouze odkaz na seriózní mediální stránky, akademické výzkumné instituce a, kdykoli je to možné, i klinicky ověřené studie. Všimněte si, že čísla v závorkách ([1], [2] atd.) Jsou odkazy na tyto studie, na které lze kliknout.
Pokud máte pocit, že některý z našich obsahů je nepřesný, neaktuální nebo jinak sporný, vyberte jej a stiskněte klávesu Ctrl + Enter.

Vzhledem k více než 200 typům rakoviny a jedinečnosti každého případu zůstává probíhající úsilí o vývoj přesných léčebných postupů proti rakovině náročné. Důraz je kladen na vývoj genetických testů k identifikaci mutací v genech, které způsobují rakovinu, a na přizpůsobení léčby cílené na tyto mutace.
Mnoho, ne-li většina, pacientů s rakovinou však z těchto časných cílených terapií významně neprospívá. V nové studii publikované v časopise Nature Cancer první autor Sanju Sinha, PhD, odborný asistent v programu molekulární terapie rakoviny na Sanford Burnham Prebys, spolu s hlavními autory Eitanem Ruppinem, MD, PhD, a Alejandrem Schafferem, PhD, z Národního onkologického institutu, který je součástí Národních institutů zdraví (NIH), a kolegy popisují unikátní výpočetní systém pro systematickou predikci toho, jak budou pacienti reagovat na léky proti rakovině na úrovni jednotlivých buněk.
Nový přístup s názvem PERSONALIZOVANÉ PLÁNOVÁNÍ ONKOLOGICKÉ LÉČBY ZALOŽENÉ NA EXPRESI (VNÍMÁNÍ) TRANSCIPU JEDNOTLIVÝCH BUNĚČNÝCH TRANSCIPŮ se ponořuje do transkriptomiky – studia transkripčních faktorů, molekul mRNA, které jsou exprimovány geny a převádějí informace z DNA do praxe.
„Nádory jsou složité a neustále se měnící organismy. Použití rozlišení jednotlivých buněk nám umožňuje řešit obě tyto výzvy,“ říká Sinha. „VNÍMÁNÍ nám umožňuje využít bohaté informace z omexiky jednotlivých buněk k pochopení klonální architektury nádoru a sledování vzniku rezistence.“ (V biologii se omexika vztahuje na součet částí uvnitř buňky.)
Sinha říká: „Schopnost sledovat vznik rezistence je pro mě nejzajímavější. Má potenciál umožnit nám přizpůsobit se vývoji rakovinných buněk a dokonce změnit naši léčebnou strategii.“
Sinha a kolegové použili transferové učení, což je odvětví umělé inteligence, k vytvoření VNÍMÁNÍ.
„Naší hlavní výzvou byla omezená data o jednotlivých buňkách z klinik. Modely umělé inteligence potřebují k pochopení nemocí velké množství dat, stejně jako ChatGPT potřebuje obrovské množství textových dat z internetu,“ vysvětluje Sinha.
PERCEPTION využívá publikovaná hromadná data o genové expresi z nádorů k předběžnému trénování svých modelů. Poté byla k ladění modelů použita data z jednotlivých buněk z buněčných linií a od pacientů, i když v omezené míře.
Metoda PERCEPTION byla úspěšně validována v predikci odpovědi na monoterapii a kombinovanou terapii ve třech nezávislých, nedávno publikovaných klinických studiích u mnohočetného myelomu, rakoviny prsu a rakoviny plic. V každém případě metoda PERCEPTION správně stratifikovala pacienty na respondenty a nerespondenty. U rakoviny plic dokonce zachytila rozvoj rezistence na léky s postupem onemocnění, což je významný nález s velkým potenciálem.
Sinha říká, že PERCEPTION ještě není připraven pro použití v klinických podmínkách, ale tento přístup ukazuje, že informace na úrovni jednotlivých buněk lze využít k řízení léčby. Doufá, že podpoří přijetí této technologie v klinikách, aby se generovalo více dat, která lze využít k dalšímu rozvoji a vylepšení technologie pro klinické použití.
„Kvalita predikce se zlepšuje s kvalitou a množstvím dat, na kterých je založena,“ říká Sinha. „Naším cílem je vytvořit klinický nástroj, který dokáže systematicky a na datech předpovídat odpověď na léčbu u jednotlivých pacientů s rakovinou. Doufáme, že tato zjištění v blízké budoucnosti podnítí další data a podobné studie.“