Sa više od 200 vrsta raka i svakim rakom pojedinačno jedinstvenim, stalni napori da se razviju precizni onkološki tretmani ostaju zastrašujući. Većina fokusa je bila na razvoju testova ili analiza genetskog sekvenciranja kako bi se identifikovale mutacije u genima pokretača raka, a zatim pokušavali da se uporede tretmani koji mogu da deluju protiv tih mutacija.
Ali mnogi, ako ne i većina pacijenata sa rakom nemaju koristi od ovih ranih ciljanih terapija. U novoj studiji objavljenoj u časopisu Nature Cancer, prvi autor dr Sanju Sinha, docent na Programu za molekularnu terapiju raka na Sanford Burnham Prebisu, sa starijim autorima Eitan Ruppin, MD, Ph.D., i Alejandro Schaffer , doktorat, u Nacionalnom institutu za rak, deo Nacionalnog instituta za zdravlje (NIH)—i kolege—opisuju prvi takve vrste kompjuterski cevovod za sistematsko predviđanje odgovora pacijenata na lekove protiv raka u rezoluciji jedne ćelije.
Nazvan PERsonalizovano jednoćelijsko planiranje zasnovano na ekspresiji za tretmane u onkologiji, ili PERCEPTION (PERCEPCIJA), novi pristup zasnovan na veštačkoj inteligenciji zaranja dublje u korisnost transkriptomike – proučavanje faktora transkripcije, molekula RNK glasnika izraženih genima koji nose i pretvaraju DNK informacije u akciju.
„Tumor je kompleksna zver koja se razvija. Korišćenje rezolucije jedne ćelije može nam omogućiti da se uhvatimo u koštac sa oba ova izazova“, kaže Sinha. „PERCEPCIJA omogućava korišćenje bogatih informacija unutar jednoćelijske omike da bi se razumela klonska arhitektura tumora i pratila pojava rezistencije. (U biologiji, omika se odnosi na zbir sastojaka unutar ćelije.)
Sinha kaže: „Sposobnost praćenja pojave rezistencije je za mene najuzbudljiviji deo. Ima potencijal da nam omogući da se prilagodimo evoluciji ćelija raka, pa čak i da modifikujemo našu strategiju lečenja.“
Sinha i kolege su koristili transferno učenje – granu veštačke inteligencije – da bi izgradili PERCEPCIJU.
„Ograničeni podaci o jednoj ćeliji iz klinika bili su naš najveći izazov. Modelu veštačke inteligencije su potrebne velike količine podataka da bi se razumela bolest, za razliku od toga kako su ChatGPT-u potrebne ogromne količine tekstualnih podataka prebačenih sa interneta“, objašnjava Sinha.
PERCEPCIJA koristi objavljenu masovnu ekspresiju gena iz tumora da unapred obuči svoje modele. Zatim, podaci o jednoj ćeliji iz ćelijskih linija i pacijenata, iako ograničeni, korišćeni su za podešavanje modela.
PERCEPCIJA je uspešno potvrđena predviđanjem odgovora na monoterapiju i kombinovani tretman u tri nezavisna, nedavno objavljena klinička ispitivanja za multipli mijelom, rak dojke i pluća. U svakom slučaju, PERCEPCIJA je ispravno stratifikovala pacijente u kategorije onih koji su odgovorili i onih koji nisu odgovorili. Kod raka pluća, čak je uhvatio razvoj rezistencije na lekove kako je bolest napredovala, što je značajno otkriće sa velikim potencijalom.
Sinha kaže da PERCEPCIJA nije spremna za klinike, ali pristup pokazuje da se informacije o jednoj ćeliji mogu koristiti za usmeravanje lečenja. On se nada da će podstaći usvajanje ove tehnologije u klinikama kako bi se stvorilo više podataka, koji se mogu koristiti za dalji razvoj i usavršavanje tehnologije za kliničku upotrebu.
„Kvalitet predviđanja raste sa kvalitetom i kvantitetom podataka koji služe kao osnova“, kaže Sinha. „Naš cilj je da stvorimo klinički alat koji može predvideti odgovor na lečenje pojedinačnih pacijenata obolelih od raka na sistematski način zasnovan na podacima. Nadamo se da će ovi nalazi podstaći više podataka i više takvih studija, pre nego kasnije.“
