Η τεχνητή νοημοσύνη προβλέπει την ανταπόκριση στη θεραπεία του καρκίνου με βάση τα δεδομένα από κάθε κύτταρο όγκου
Τελευταία επισκόπηση: 14.06.2024
Όλα τα περιεχόμενα του iLive ελέγχονται ιατρικά ή ελέγχονται για να διασφαλιστεί η όσο το δυνατόν ακριβέστερη ακρίβεια.
Έχουμε αυστηρές κατευθυντήριες γραμμές προμήθειας και συνδέουμε μόνο με αξιόπιστους δικτυακούς τόπους πολυμέσων, ακαδημαϊκά ερευνητικά ιδρύματα και, όπου είναι δυνατόν, ιατρικά επισκοπικά μελέτες. Σημειώστε ότι οι αριθμοί στις παρενθέσεις ([1], [2], κλπ.) Είναι σύνδεσμοι με τις οποίες μπορείτε να κάνετε κλικ σε αυτές τις μελέτες.
Εάν πιστεύετε ότι κάποιο από το περιεχόμενό μας είναι ανακριβές, παρωχημένο ή αμφισβητήσιμο, παρακαλώ επιλέξτε το και πατήστε Ctrl + Enter.
Με περισσότερους από 200 τύπους καρκίνου και κάθε ξεχωριστή περίπτωση, οι συνεχείς προσπάθειες για την ανάπτυξη ογκολογικών θεραπειών ακριβείας παραμένουν προκλητικές. Η εστίαση είναι στην ανάπτυξη γενετικών δοκιμών για τον εντοπισμό μεταλλάξεων στα γονίδια που οδηγούν τον καρκίνο και στον εντοπισμό κατάλληλων θεραπειών ενάντια σε αυτές τις μεταλλάξεις.
Ωστόσο, πολλοί, αν όχι οι περισσότεροι, ασθενείς με καρκίνο δεν επωφελούνται σημαντικά από αυτές τις πρώιμες στοχευμένες θεραπείες. Στη νέα μελέτη, που δημοσιεύτηκε στο Nature Cancer, ο πρώτος συγγραφέας Sanju Sinha, Ph.D., επίκουρος καθηγητής στο Molecular Therapeutics Program in Cancer στο Sanford Burnham Prebys, μαζί με τους κύριους συγγραφείς Eitan Ruppin, MD, PhD, και Alejandro Schaffer, PhD, από το Εθνικό Ινστιτούτο Καρκίνου, μέρος των Εθνικών Ινστιτούτων Υγείας (NIH), και συναδέλφους περιγράφουν ένα μοναδικό υπολογιστικό σύστημα για συστηματική πρόβλεψη ασθενών ανταπόκριση σε αντικαρκινικά φάρμακα σε μονοκύτταρο επίπεδο.
Αποκαλούμενος Εξατομικευμένος Σχεδιασμός Θεραπείας στην Ογκολογία με βάση την έκφραση μεταγραφής ενός κυττάρου (PERCEPTION), η νέα προσέγγιση που βασίζεται στην τεχνητή νοημοσύνη εμβαθύνει στη μελέτη της μεταγραφομικής—τη μελέτη των παραγόντων μεταγραφής, των μορίων mRNA που εκφράζονται από τα γονίδια και μεταφράζονται Πληροφορίες DNA σε δράση.
"Ένας όγκος είναι ένας πολύπλοκος και συνεχώς μεταβαλλόμενος οργανισμός. Η χρήση ανάλυσης ενός κυττάρου μας επιτρέπει να λύσουμε και τα δύο αυτά προβλήματα", λέει ο Sinha. "Το PERCEPTION επιτρέπει τη χρήση πλούσιων πληροφοριών από το μονοκύτταρο omexis για την κατανόηση της κλωνικής αρχιτεκτονικής του όγκου και την παρακολούθηση της εμφάνισης αντίστασης." (Στη βιολογία, το omexis αναφέρεται στο άθροισμα των συστατικών μέσα σε ένα κύτταρο.)
Ο Sinha λέει: "Η ικανότητα παρακολούθησης της εμφάνισης αντίστασης είναι το πιο συναρπαστικό μέρος για μένα. Αυτό έχει τη δυνατότητα να μας επιτρέψει να προσαρμοστούμε στην εξέλιξη των καρκινικών κυττάρων και ακόμη και να αλλάξουμε τη στρατηγική θεραπείας."
Ο Sinha και οι συνεργάτες του χρησιμοποίησαν τη μάθηση μεταφοράς, έναν κλάδο της τεχνητής νοημοσύνης, για να δημιουργήσουν PERCEPTION.
"Τα περιορισμένα δεδομένα σε επίπεδο κυττάρου από κλινικές ήταν η κύρια πρόκληση μας. Τα μοντέλα τεχνητής νοημοσύνης χρειάζονται μεγάλες ποσότητες δεδομένων για να κατανοήσουν την ασθένεια, όπως ακριβώς το ChatGPT χρειάζεται τεράστιες ποσότητες δεδομένων κειμένου από το Διαδίκτυο", εξηγεί ο Sinha.
Το PERCEPTION χρησιμοποιεί δημοσιευμένα δεδομένα μαζικής γονιδιακής έκφρασης από όγκους για να προεκπαιδεύσει τα μοντέλα του. Στη συνέχεια, χρησιμοποιήθηκαν δεδομένα επιπέδου ενός κυττάρου από κυτταρικές σειρές και ασθενείς, αν και περιορισμένα, για τον συντονισμό των μοντέλων.
Το PERCEPTION επικυρώθηκε επιτυχώς στην πρόβλεψη της ανταπόκρισης στη μονοθεραπεία και τη συνδυαστική θεραπεία σε τρεις ανεξάρτητες, πρόσφατα δημοσιευμένες κλινικές δοκιμές για πολλαπλό μυέλωμα, καρκίνο του μαστού και του πνεύμονα. Σε κάθε περίπτωση, το PERCEPTION διαστρωμοποίησε σωστά τους ασθενείς σε ανταποκρινόμενους και μη. Στον καρκίνο του πνεύμονα, κατέγραψε ακόμη και την ανάπτυξη ανθεκτικότητας στα φάρμακα καθώς η νόσος εξελίσσεται, κάτι που είναι μια σημαντική ανακάλυψη με μεγάλες δυνατότητες.
Ο Sinha λέει ότι το PERCEPTION δεν είναι ακόμη έτοιμο για χρήση στην κλινική, αλλά η προσέγγιση δείχνει ότι οι πληροφορίες σε επίπεδο μονοκυττάρου μπορούν να χρησιμοποιηθούν για την καθοδήγηση της θεραπείας. Ελπίζει να ενθαρρύνει την υιοθέτηση αυτής της τεχνολογίας στις κλινικές για τη δημιουργία περισσότερων δεδομένων που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανάπτυξη και βελτίωση της τεχνολογίας για κλινική χρήση.
"Η ποιότητα των προβλέψεων βελτιώνεται με την ποιότητα και την ποσότητα των δεδομένων στα οποία βασίζεται", λέει ο Sinha. "Στόχος μας είναι να δημιουργήσουμε ένα κλινικό εργαλείο που θα μπορεί συστηματικά και βάσει δεδομένων να προβλέπει την ανταπόκριση στη θεραπεία μεμονωμένων ασθενών με καρκίνο. Ελπίζουμε ότι αυτά τα ευρήματα θα τονώσουν περισσότερα δεδομένα και παρόμοιες μελέτες στο εγγύς μέλλον."