Kunstig intelligens forudsiger respons på kræftbehandling baseret på data fra hver tumorcelle

Med mere end 200 kræfttyper og hvert individuelt unikt tilfælde er den igangværende indsats for at udvikle præcise onkologiske behandlinger stadig udfordrende. Fokus er på at udvikle genetiske tests til at identificere mutationer i kræftgener og identificere passende behandlinger mod disse mutationer.

Men mange, hvis ikke de fleste, patienter med cancer har ikke væsentlig gavn af disse tidlige målrettede behandlinger. I det nye studie, offentliggjort i Nature Cancer, er førsteforfatter Sanju Sinha, Ph.D., assisterende professor i Molecular Therapeutics Program in Cancer. På Sanford Burnham Prebys beskriver sammen med hovedforfatterne Eitan Ruppin, MD, PhD, og Alejandro Schaffer, PhD, fra National Cancer Institute, en del af National Institutes of Health (NIH), og kolleger et unikt beregningssystem til systematisk at forudsige patienten respons på kræftmedicin på enkeltcelleniveau.

Kaldet personlig behandlingsplanlægning i onkologi baseret på enkeltcellet transkriptudtryk (PERCEPTION), den nye kunstig intelligens-baserede tilgang dykker ned i studiet af transkriptomik – studiet af transkriptionsfaktorer, de mRNA-molekyler, der udtrykkes af gener og oversætter DNA-oplysninger til handling.

"En tumor er en kompleks og konstant skiftende organisme. Ved at bruge enkeltcelleopløsning kan vi løse begge disse problemer," siger Sinha. "PERCEPTION muliggør brugen af rig information fra enkeltcellet omexis til at forstå tumorklonal arkitektur og overvåge fremkomsten af resistens." (I biologi refererer omexis til summen af bestanddelene i en celle.)

Sinha siger: "Evnen til at overvåge fremkomsten af resistens er den mest spændende del for mig. Dette har potentialet til at give os mulighed for at tilpasse os udviklingen af kræftceller og endda ændre vores behandlingsstrategi."

Sinha og kolleger brugte transfer learning, en gren af AI, til at skabe PERCEPTION.

"Begrænsede data på celleniveau fra klinikker var vores største udfordring. AI-modeller har brug for store mængder data for at forstå sygdom, ligesom ChatGPT har brug for enorme mængder tekstdata fra internettet," forklarer Sinha.

PERCEPTION bruger offentliggjorte bulk-genekspressionsdata fra tumorer til at fortræne sine modeller. Dernæst blev data på enkeltcelleniveau fra cellelinjer og patienter, selvom de var begrænsede, brugt til at tune modellerne.

PERCEPTION blev med succes valideret til at forudsige respons på monoterapi og kombinationsterapi i tre uafhængige, nyligt offentliggjorte kliniske forsøg med myelomatose, bryst- og lungekræft. I hvert tilfælde stratificerede PERCEPTION patienterne korrekt i respondere og ikke-respondere. Inden for lungekræft dokumenterede han endda udviklingen af lægemiddelresistens efterhånden som sygdommen skrider frem, hvilket er en betydelig opdagelse med stort potentiale.

Sinha siger, at PERCEPTION endnu ikke er klar til brug i klinikken, men tilgangen viser, at information på enkeltcelleniveau kan bruges til at vejlede behandlingen. Han håber at tilskynde til indførelse af denne teknologi i klinikker for at generere flere data, der kan bruges til at videreudvikle og forbedre teknologien til klinisk brug.

"Kvaliteten af prognoser forbedres med kvaliteten og mængden af data, som den er baseret på," siger Sinha. "Vores mål er at skabe et klinisk værktøj, der systematisk og datadrevet kan forudsige behandlingsrespons hos individuelle patienter med cancer. Vi håber, at disse resultater vil stimulere flere data og lignende undersøgelser i den nærmeste fremtid."