Da bi odredili vrstu i težinu raka, patolozi obično analiziraju tanke rezove biopsije tumora pod mikroskopom. Ali da bi otkrili koje genomske promene pokreću rast tumora – informacije koje mogu da usmere kako se leči – naučnici moraju da izvrše genetsko sekvenciranje RNK izolovane iz tumora, proces koji može da traje nedeljama i košta hiljade dolara.
Sada, istraživači Stanford Medicine razvili su računarski program sa veštačkom inteligencijom koji može da predvidi aktivnost hiljada gena unutar tumorskih ćelija samo na osnovu standardnih mikroskopskih slika biopsije.
Alat, opisan na mreži u Nature Communications 14. novembra, kreiran je korišćenjem podataka iz više od 7.000 različitih uzoraka tumora. Tim je pokazao da može da koristi rutinski prikupljene slike biopsije za predviđanje genetskih varijacija u karcinomu dojke i za predviđanje ishoda pacijenata.
„Ova vrsta softvera bi se mogla koristiti za brzo identifikaciju genskih potpisa u tumorima pacijenata, ubrzavajući donošenje kliničkih odluka i uštedeći zdravstvenom sistemu hiljade dolara“, rekao je dr Olivije Gever, profesor nauke o biomedicinskim podacima. i stariji autor rada.
Rad su takođe vodili diplomirani student sa Stanforda Marija Pizurija i postdoktoranti dr Iuanning Zheng i dr Francisco Perez.
Kliničari su sve više usmeravali izbor tretmana raka – uključujući hemoterapije, imunoterapije i terapije zasnovane na hormonima – da preporučuju svojim pacijentima ne samo na osnovu toga koji organ pacijentov rak utiče, već i na osnovu toga koje gene tumor koristi da podstakne svoj rast i širenje. . Uključivanje ili isključivanje određenih gena može učiniti tumor agresivnijim, verovatnije da će metastazirati ili manje ili više reagovati na određene lekove.
Međutim, pristup ovim informacijama često zahteva skupo i dugotrajno genomsko sekvenciranje.
Gevaert i njegove kolege su znali da aktivnost gena unutar pojedinačnih ćelija može da promeni izgled tih ćelija na načine koji su često neprimetni za ljudsko oko. Okrenuli su se veštačkoj inteligenciji da bi pronašli ove obrasce.
Istraživači su započeli sa 7.584 biopsije raka iz 16 različitih tipova raka. Svaka biopsija je isečena na tanke delove i pripremljena korišćenjem metode poznate kao bojenje hematoksilinom i eozinom, što je standard za vizuelizaciju celokupnog izgleda ćelija raka. Informacije o transkriptomima raka — koje gene ćelije aktivno koriste — takođe su bile dostupne.
Nakon što su istraživači integrisali svoje nove biopsije raka, kao i druge skupove podataka, uključujući transkriptomske podatke i slike iz hiljada zdravih ćelija, AI program – koji su nazvali SEKUOIA (kvantifikacija ekspresije zasnovana na slajdovima koristeći linearizovanu pažnju) – mogao je da predvidi ekspresiju uzorci više od 15.000 različitih gena sa obojenih slika.
Za neke tipove raka, aktivnost gena predviđena AI je imala više od 80% korelacije sa stvarnim podacima o aktivnosti gena. Uopšteno govoreći, što je više uzoraka bilo kog tipa raka uključeno u početne podatke, to je model bio bolji na tom tipu raka.
„Bilo je potrebno nekoliko iteracija modela da bi došao do tačke u kojoj smo bili zadovoljni performansama“, rekao je Gevert. „Ali na kraju za neke tipove tumora, došlo je do nivoa da može biti korisno u klinici.“
Gevaert je istakao da lekari često ne gledaju gene jedan po jedan da bi doneli kliničke odluke, već u potpise gena koji uključuju stotine različitih gena. Na primer, mnoge ćelije raka aktiviraju iste grupe stotina gena povezanih sa upalom, ili stotine gena povezanih sa rastom ćelija. U poređenju sa svojim performansama u predviđanju individualne ekspresije gena, SEKUOIA je bila još tačnija u predviđanju da li su tako veliki genomski programi aktivirani.
Da bi podaci bili dostupni i laki za tumačenje, istraživači su programirali SEKUOIA da prikaže genetske nalaze kao vizuelnu mapu biopsije tumora, omogućavajući naučnicima i kliničarima da vide kako se genetske varijacije mogu razlikovati u različitim oblastima tumora.
Da bi testirali korisnost SEKUOIA za kliničko donošenje odluka, Gevaert i njegove kolege su identifikovali gene raka dojke za koje bi model mogao tačno da predvidi ekspresiju i koji se već koriste u komercijalnim genomskim testovima raka dojke. (MammaPrint test, koji je odobrila Uprava za hranu i lekove, na primer, analizira nivoe 70 gena povezanih sa rakom dojke kako bi pacijentima pružio ocenu rizika da se njihov rak ponovo pojavi.)
„Rak dojke ima veliki broj veoma dobro proučenih genskih potpisa za koje se pokazalo da su tokom protekle decenije u velikoj korelaciji sa odgovorima na lečenje i ishodima pacijenata“, rekao je Gevaert. „Ovo ga je učinilo idealnim testnim slučajem za naš model.“
SEKUOIA, pokazao je tim, može da obezbedi isti tip genomskog rizika kao i MammaPrint koristeći samo obojene slike tumorskih biopsija. Rezultati su ponovljeni na više različitih grupa pacijenata sa rakom dojke. U svakom slučaju, pacijenti identifikovani kao visokorizični od strane SEKUOIA-e imali su lošije ishode, sa većom stopom recidiva raka i kraćim vremenom pre nego što se njihov rak ponovo pojavi.
Model AI još ne može da se koristi u kliničkom okruženju — treba ga testirati u kliničkim ispitivanjima i odobriti FDA pre nego što se koristi u vođenju odluka o lečenju — ali Gevert je rekao da njegov tim poboljšava algoritam i proučava njegove potencijalne primene . U budućnosti, rekao je, SEKUOIA bi mogla smanjiti potrebu za skupim testovima ekspresije gena.
„Pokazali smo koliko bi ovo moglo biti korisno za rak dojke, a sada ga možemo koristiti za sve vrste raka i pogledati bilo koji genski potpis koji postoji“, rekao je on. „To je potpuno novi izvor podataka koji ranije nismo imali.
