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

Med over 200 kræfttyper, hvor hvert tilfælde er unikt, er det fortsat en udfordring at udvikle præcise kræftbehandlinger. Fokus er på at udvikle genetiske tests til at identificere mutationer i kræftdrivende gener og skræddersy behandlinger til at målrette disse mutationer.

Mange, hvis ikke de fleste, kræftpatienter får dog ikke væsentlig gavn af disse tidlige, målrettede behandlinger. I et nyt studie offentliggjort i Nature Cancer beskriver førsteforfatter Sanju Sinha, PhD, adjunkt i Molecular Cancer Therapy Program på Sanford Burnham Prebys, 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, hvordan patienter vil reagere på kræftmedicin på enkeltcelleniveau.

Den nye AI-drevne tilgang, der kaldes PERSONLIG ONKOLOGISK BEHANDLINGSPLANLÆGNING BASERET PÅ ENKELTCELLET TRANCIPEUTDRUKKNING (PERCEPTION), dykker ned i transkriptomics – studiet af transkriptionsfaktorer, mRNA-molekyler, der udtrykkes af gener og omsætter DNA-information til handling.

"Tumorer er komplekse og konstant foranderlige organismer. Ved at bruge enkeltcelle-resolution kan vi håndtere begge disse udfordringer," siger Sinha. "PERCEPTION gør det muligt for os at bruge den rige information fra enkeltcellede omexer til at forstå den klonale arkitektur af en tumor og overvåge fremkomsten af resistens." (I biologi refererer omexer til summen af delene i en celle.)

Sinha siger: "Muligheden for at overvåge fremkomsten af resistens er den mest spændende del for mig. Det 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 OPFATTNING.

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

PERCEPTION bruger publicerede bulk-genekspressionsdata fra tumorer til at fortræne sine modeller. Derefter blev data på enkeltcelleniveau fra cellelinjer og patienter, omend begrænsede, brugt til at finjustere modellerne.

PERCEPTION er blevet valideret med succes til at forudsige respons på monoterapi og kombinationsbehandling i tre uafhængige, nyligt publicerede kliniske forsøg i multipelt myelom, brystkræft og lungekræft. I hvert tilfælde stratificerede PERCEPTION korrekt patienter i respondere og ikke-respondere. I lungekræft registrerede det endda udviklingen af lægemiddelresistens, efterhånden som sygdommen skred frem, et betydeligt fund med stort potentiale.

Sinha siger, at PERCEPTION endnu ikke er klar til brug i klinikken, men tilgangen viser, at information på individuelle celleniveau kan bruges til at styre behandlingen. Han håber at kunne tilskynde til implementering af teknologien i klinikker for at generere flere data, der kan bruges til at videreudvikle og forbedre teknologien til klinisk brug.

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