Umělá inteligence předpovídá odpověď na léčbu rakoviny na základě údajů z každé nádorové buňky
Naposledy posuzováno: 14.06.2024
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 každému individuálně jedinečnému případu je pokračující úsilí o vývoj přesné onkologické léčby stále náročné. Důraz je kladen na vývoj genetických testů k identifikaci mutací v genech ovlivňujících rakovinu a na identifikaci vhodných léčebných postupů proti těmto mutacím.
Mnoho, ne-li většina pacientů s rakovinou však z těchto raných cílených terapií významně netěží. V nové studii, publikované v Nature Cancer, první autor Sanju Sinha, Ph.D., odborný asistent v programu Molecular Therapeutics Program in Cancer v Sanford Burnham Prebys spolu s hlavními autory Eitanem Ruppinem, MD, PhD, a Alejandrem Schafferem, PhD, z National Cancer Institute, který je součástí National Institutes of Health (NIH), a jeho kolegové popisují jedinečný výpočetní systém pro systematické předpovídání pacientů. Reakce na léky proti rakovině na úrovni jedné buňky.
Nazývané personalizované plánování léčby v onkologii založené na jednobuněčné transkriptové expresi (PERCEPTION) se nový přístup založený na umělé inteligenci ponoří do studia transkriptomiky – studia transkripčních faktorů, molekul mRNA, které jsou exprimovány geny a překládány Informace o DNA v akci.
"Nádor je složitý a neustále se měnící organismus. Použití jednobuněčného rozlišení nám umožňuje vyřešit oba tyto problémy," říká Sinha. "VNÍMÁNÍ umožňuje použití bohatých informací z jednobuněčné omexie k pochopení klonální architektury nádoru a sledování vzniku rezistence." (V biologii se omexis vztahuje k součtu složek v buňce.)
Sinha říká: "Schopnost monitorovat vznik rezistence je pro mě ta nejzajímavější část. To nám může umožnit přizpůsobit se vývoji rakovinných buněk a dokonce změnit naši léčebnou strategii."
Sinha a kolegové použili přenos učení, odvětví umělé inteligence, k vytvoření PERCEPTION.
"Naší hlavní výzvou byla omezená data na úrovni buněk z klinik. Modely umělé inteligence potřebují velké množství dat k pochopení nemoci, stejně jako ChatGPT potřebuje obrovské množství textových dat z internetu," vysvětluje Sinha.
PERCEPTION používá k předtrénování svých modelů publikovaná data o hromadné genové expresi z nádorů. Dále byla k vyladění modelů použita data na úrovni jednotlivých buněk od buněčných linií a pacientů, i když byla omezená.
PERCEPTION byla úspěšně ověřena při predikci odpovědi na monoterapii a kombinovanou terapii ve třech nezávislých, nedávno publikovaných klinických studiích u mnohočetného myelomu, rakoviny prsu a plic. V každém případě PERCEPTION správně rozvrstvil pacienty na respondéry a nereagující. U rakoviny plic dokonce zdokumentoval vývoj lékové rezistence s progresí onemocnění, což je významný objev s velkým potenciálem.
Sinha říká, že VNÍMÁNÍ ještě není připraveno k použití na klinice, ale tento přístup ukazuje, že informace na úrovni jednotlivých buněk lze použít k vedení léčby. Doufá, že podpoří přijetí této technologie na klinikách, aby se vytvořilo více dat, která lze použít k dalšímu vývoji a zlepšení technologie pro klinické použití.
„Kvalita prognóz se zlepšuje s kvalitou a množstvím dat, na kterých je založeno,“ říká Sinha. "Naším cílem je vytvořit klinický nástroj, který dokáže systematicky a na základě dat předpovídat odpověď na léčbu u jednotlivých pacientů s rakovinou. Doufáme, že tato zjištění podnítí v blízké budoucnosti více dat a podobných studií."