Hinuhulaan ng artificial intelligence ang tugon sa cancer therapy batay sa data mula sa bawat tumor cell

Sa mahigit 200 uri ng kanser at ang bawat kaso ay natatangi, ang patuloy na pagsisikap na bumuo ng tumpak na paggamot sa kanser ay nananatiling mahirap. Ang focus ay sa pagbuo ng mga genetic na pagsusuri upang matukoy ang mga mutasyon sa mga gene ng driver ng kanser at pag-angkop ng mga paggamot upang ma-target ang mga mutasyon na ito.

Gayunpaman, marami, kung hindi man karamihan, ang mga pasyente ng kanser ay hindi nakikinabang nang malaki mula sa mga maagang naka-target na mga therapy na ito. Sa isang bagong pag-aaral na inilathala sa Nature Cancer, ang unang may-akda na si Sanju Sinha, PhD, isang assistant professor sa Molecular Cancer Therapy Program sa Sanford Burnham Prebys, kasama ang mga nangungunang may-akda na sina Eitan Ruppin, MD, PhD, at Alejandro Schaffer, PhD, ng National Cancer Institute, bahagi ng National Institutes of Health (NIH), at mga kasamahan sa kung paano tumutugon ang mga pasyente sa cancer sa sistemang ito nang may natatanging paraan sa paghula ng mga pasyente sa cancer. antas ng single-cell.

Tinatawag na PERSONALIZED ONCOLOGY TREATMENT PLANNING BASED ON SINGLE-CELL TRANCIPLE EXPRESSION (PERCEPTION), ang bagong AI-powered approach ay sumasalamin sa transcriptomics—ang pag-aaral ng transcription factor, mRNA molecules na ipinahayag ng mga gene at isinasalin ang impormasyon ng DNA sa pagkilos.

"Ang mga tumor ay masalimuot at patuloy na nagbabago ng mga organismo. Ang paggamit ng solong-cell na resolusyon ay nagpapahintulot sa amin na matugunan ang parehong mga hamong ito," sabi ni Sinha. "Ang PERCEPTION ay nagbibigay-daan sa amin na gamitin ang mayamang impormasyon mula sa single-cell omexics upang maunawaan ang clonal architecture ng isang tumor at masubaybayan ang paglitaw ng paglaban." (Sa biology, ang omexics ay tumutukoy sa kabuuan ng mga bahagi sa loob ng isang cell.)

Sinabi ni Sinha: "Ang kakayahang subaybayan ang paglitaw ng paglaban ay ang pinaka kapana-panabik na bahagi para sa akin. Ito ay may potensyal na payagan kaming umangkop sa ebolusyon ng mga selula ng kanser at kahit na baguhin ang aming diskarte sa paggamot."

Ginamit ni Sinha at mga kasamahan ang transfer learning, isang sangay ng AI, upang lumikha ng PERCEPTION.

"Ang limitadong single-cell na data mula sa mga klinika ang aming pangunahing hamon. Ang mga modelo ng AI ay nangangailangan ng malaking halaga ng data upang maunawaan ang sakit, tulad ng ChatGPT na nangangailangan ng malaking halaga ng data ng text mula sa internet," paliwanag ni Sinha.

Gumagamit ang PERCEPTION ng na-publish na maramihang data ng expression ng gene mula sa mga tumor upang paunang sanayin ang mga modelo nito. Pagkatapos, ang data ng single-cell na antas mula sa mga linya ng cell at mga pasyente, bagama't limitado, ay ginamit upang ibagay ang mga modelo.

Ang PERCEPTION ay matagumpay na napatunayan sa paghula ng tugon sa monotherapy at kumbinasyon ng therapy sa tatlong independyente, kamakailang nai-publish na mga klinikal na pagsubok sa maramihang myeloma, kanser sa suso, at kanser sa baga. Sa bawat kaso, wastong pinag-stratified ng PERCEPTION ang mga pasyente sa mga responder at non-responder. Sa kanser sa baga, nakuha pa nito ang pag-unlad ng paglaban sa droga habang lumalala ang sakit, isang makabuluhang paghahanap na may malaking potensyal.

Sinabi ni Sinha na ang PERCEPTION ay hindi pa handa para sa paggamit sa klinika, ngunit ang diskarte ay nagpapakita na ang impormasyon sa antas ng indibidwal na mga cell ay maaaring gamitin upang gabayan ang paggamot. Inaasahan niyang hikayatin ang pag-aampon ng teknolohiya sa mga klinika upang makabuo ng mas maraming data na maaaring magamit upang higit pang mapaunlad at mapabuti ang teknolohiya para sa klinikal na paggamit.

"Ang kalidad ng hula ay nagpapabuti sa kalidad at dami ng data kung saan ito nakabatay," sabi ni Sinha. "Ang aming layunin ay lumikha ng isang klinikal na tool na maaaring mahulaan nang sistematiko at batay sa data ang tugon sa paggamot sa mga indibidwal na pasyente ng kanser. Umaasa kami na ang mga natuklasan na ito ay magpapasigla ng higit pang data at mga katulad na pag-aaral sa malapit na hinaharap."