Kunstig intelligens forutsier respons på kreftbehandling basert på data fra hver enkelt tumorcelle

Med over 200 krefttyper, og hvert tilfelle er unikt, er det fortsatt en utfordrende innsats for å utvikle presise kreftbehandlinger. Fokuset er på å utvikle genetiske tester for å identifisere mutasjoner i kreftdrivende gener og skreddersy behandlinger for å målrette disse mutasjonene.

Mange, om ikke de fleste, kreftpasienter har imidlertid ikke nevneverdig nytte av disse tidlige målrettede terapiene. I en ny studie publisert i Nature Cancer beskriver førsteforfatter Sanju Sinha, PhD, assisterende professor i Molecular Cancer Therapy Program ved Sanford Burnham Prebys, sammen med hovedforfatterne Eitan Ruppin, MD, PhD, og Alejandro Schaffer, PhD, fra National Cancer Institute, en del av National Institutes of Health (NIH), og kolleger et unikt beregningssystem for systematisk å forutsi hvordan pasienter vil reagere på kreftmedisiner på enkeltcellenivå.

Den nye AI-drevne tilnærmingen, kalt PERSONLIG PERSONLIG ONKOLOGISK BEHANDLINGSPLANLEGGING BASERT PÅ ENKELTCELLE TRANSIPPELUTTRYKK (PERSEPTION), fordyper seg i transkriptomikk – studiet av transkripsjonsfaktorer, mRNA-molekyler som uttrykkes av gener og oversetter DNA-informasjon til handling.

«Svulster er komplekse organismer i stadig endring. Ved å bruke enkeltcelleoppløsning kan vi håndtere begge disse utfordringene», sier Sinha. «PERSEPSJON gjør det mulig for oss å bruke den rike informasjonen fra enkeltcelle-omekstikker til å forstå den klonale arkitekturen til en svulst og overvåke fremveksten av resistens.» (I biologi refererer omekstikk til summen av delene i en celle.)

Sinha sier: «Muligheten til å overvåke fremveksten av resistens er den mest spennende delen for meg. Det har potensial til å la oss tilpasse oss utviklingen av kreftceller og til og med endre behandlingsstrategien vår.»

Sinha og kolleger brukte transfer learning, en gren av AI, for å skape OPPSETNING.

«Begrenset tilgang på enkeltcelledata fra klinikker var vår største utfordring. AI-modeller trenger store mengder data for å forstå sykdommer, akkurat som ChatGPT trenger enorme mengder tekstdata fra internett», forklarer Sinha.

PERCEPTION bruker publiserte bulkdata av genuttrykk fra svulster til å forhåndstrene modellene sine. Deretter ble data på enkeltcellenivå fra cellelinjer og pasienter, om enn begrenset, brukt til å finjustere modellene.

PERCEPTION har blitt validert med hell for å forutsi respons på monoterapi og kombinasjonsbehandling i tre uavhengige, nylig publiserte kliniske studier av myelomatose, brystkreft og lungekreft. I hvert tilfelle stratifiserte PERCEPTION pasienter korrekt i respondere og ikke-respondere. Ved lungekreft fanget den til og med opp utviklingen av medikamentresistens etter hvert som sykdommen utviklet seg, et betydelig funn med stort potensial.

Sinha sier at PERCEPTION ennå ikke er klar for bruk i klinikken, men tilnærmingen viser at informasjon på individuelle cellenivå kan brukes til å veilede behandlingen. Han håper å oppmuntre til bruk av teknologien i klinikker for å generere mer data som kan brukes til å videreutvikle og forbedre teknologien for klinisk bruk.

«Kvaliteten på prediksjonen forbedres med kvaliteten og mengden data den er basert på», sier Sinha. «Målet vårt er å lage et klinisk verktøy som systematisk og datadrevet kan forutsi behandlingsrespons hos individuelle kreftpasienter. Vi håper at disse funnene vil stimulere til flere data og lignende studier i nær fremtid.»