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

Sa higit sa 200 uri ng cancer at bawat indibidwal na natatanging kaso, nananatiling mahirap ang patuloy na pagsisikap na bumuo ng mga precision oncology na paggamot. Ang focus ay sa pagbuo ng mga genetic na pagsusuri upang matukoy ang mga mutasyon sa mga gene ng driver ng cancer at pagtukoy ng mga naaangkop na paggamot laban sa mga mutasyon na ito.

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

Tinawag na Personalized Treatment Planning sa Oncology Batay sa Single-Cell Transcript Expression (PERCEPTION), ang bagong diskarte na nakabatay sa artificial intelligence ay sumasalamin sa pag-aaral ng transcriptomics—ang pag-aaral ng mga transcription factor, ang mga molekula ng mRNA na ipinapahayag ng mga gene at isinasalin. Ang impormasyon ng DNA ay kumikilos.

"Ang tumor ay isang kumplikado at patuloy na nagbabagong organismo. Ang paggamit ng solong-cell na resolution ay nagbibigay-daan sa amin upang malutas ang parehong mga problemang ito," sabi ni Sinha. "Pinapayagan ng PERCEPTION ang paggamit ng mayamang impormasyon mula sa single-cell omexis upang maunawaan ang arkitektura ng clonal ng tumor at masubaybayan ang paglitaw ng paglaban." (Sa biology, ang omexis ay tumutukoy sa kabuuan ng mga nasasakupan sa loob ng isang cell.)

Sinasabi ni Sinha: "Ang kakayahang subaybayan ang paglitaw ng paglaban ay ang pinakakapana-panabik na bahagi para sa akin. Ito ay may potensyal na magbigay-daan sa amin na 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 data sa antas ng cell 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 kailangan ng ChatGPT ng malaking halaga ng data ng text mula sa Internet," paliwanag ni Sinha.

Gumagamit ang PERCEPTION ng na-publish na data ng maramihang expression ng gene mula sa mga tumor upang paunang sanayin ang mga modelo nito. Susunod, ang data ng single-cell level mula sa mga cell line 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 na-publish na mga klinikal na pagsubok sa maramihang myeloma, kanser sa suso at baga. Sa bawat kaso, wastong pinag-stratified ng PERCEPTION ang mga pasyente sa mga responder at non-responder. Sa kanser sa baga, naidokumento pa niya ang pag-unlad ng paglaban sa droga habang umuunlad ang sakit, na isang makabuluhang pagtuklas na may malaking potensyal.

Sinabi ni Sinha na ang PERCEPTION ay hindi pa handang gamitin sa klinika, ngunit ang diskarte ay nagpapakita na ang impormasyon sa single-cell na antas ay maaaring gamitin upang gabayan ang paggamot. Inaasahan niyang hikayatin ang paggamit ng teknolohiyang ito sa mga klinika upang makabuo ng higit pang data na magagamit upang higit pang mapaunlad at mapahusay ang teknolohiya para sa klinikal na paggamit.

“Bumubuti ang kalidad ng pagtataya 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 ng pagtugon sa paggamot sa mga indibidwal na pasyenteng may kanser. Umaasa kami na ang mga natuklasang ito ay magpapasigla ng higit pang data at mga katulad na pag-aaral sa malapit na hinaharap."