Visi iLive saturs ir medicīniski pārskatīts vai pārbaudīts, lai nodrošinātu pēc iespējas lielāku faktisko precizitāti.
Mums ir stingras iegādes vadlīnijas un tikai saikne ar cienījamiem mediju portāliem, akadēmiskām pētniecības iestādēm un, ja vien iespējams, medicīniski salīdzinošiem pārskatiem. Ņemiet vērā, ka iekavās ([1], [2] uc) esošie numuri ir klikšķi uz šīm studijām.
Ja uzskatāt, ka kāds no mūsu saturiem ir neprecīzs, novecojis vai citādi apšaubāms, lūdzu, atlasiet to un nospiediet Ctrl + Enter.
Mākslīgais intelekts prognozē atbildes reakciju uz vēža terapiju, pamatojoties uz katras audzēja šūnas datiem
Pēdējā pārskatīšana: 02.07.2025
Tā kā pastāv vairāk nekā 200 vēža veidu un katrs gadījums ir unikāls, pastāvīgie centieni izstrādāt precīzas vēža ārstēšanas metodes joprojām ir sarežģīti. Galvenā uzmanība tiek pievērsta ģenētisko testu izstrādei, lai identificētu mutācijas vēža virzītājspēka gēnos, un ārstēšanas pielāgošanai, lai mērķētu uz šīm mutācijām.
Tomēr daudzi, ja ne lielākā daļa, vēža pacientu negūst būtisku labumu no šīm agrīnajām mērķterapijām. Jaunā pētījumā, kas publicēts žurnālā Nature Cancer, pirmais autors Sandžu Sinha, PhD, docents Molekulārās vēža terapijas programmā Sanford Burnham Prebys universitātē, kopā ar vadošajiem autoriem Eitanu Ruppinu, MD, PhD, un Alehandro Šaferu, PhD, no Nacionālā vēža institūta, kas ir daļa no Nacionālajiem veselības institūtiem (NIH), un kolēģiem apraksta unikālu skaitļošanas sistēmu, lai sistemātiski prognozētu, kā pacienti reaģēs uz vēža zālēm atsevišķu šūnu līmenī.
Jaunā, uz mākslīgo intelektu balstītā pieeja, ko sauc par PERSONALIZĒTU ONKOLOGIJAS ĀRSTĒŠANAS PLĀNOŠANU, KAS PAMATOJAS UZ VIENŠŪNU TRANSCIPLU EKSPRESIJU (UZTVERI), iedziļinās transkriptomikā — transkripcijas faktoru, gēnu ekspresēto mRNS molekulu, kas pārvērš DNS informāciju darbībā, izpētē.
"Audzēji ir sarežģīti un pastāvīgi mainīgi organismi. Izmantojot vienas šūnas izšķirtspēju, mēs varam risināt abas šīs problēmas," saka Sinha. "UZTVERE ļauj mums izmantot bagātīgo informāciju no vienas šūnas omeksikām, lai izprastu audzēja klonālo arhitektūru un uzraudzītu rezistences rašanos." (Bioloģijā omeksika attiecas uz šūnas daļu summu.)
Sinha saka: "Spēja uzraudzīt rezistences rašanos man ir visiedvesmojošākā daļa. Tai ir potenciāls ļaut mums pielāgoties vēža šūnu evolūcijai un pat mainīt mūsu ārstēšanas stratēģiju."
Sinha un viņa kolēģi izmantoja pārneses mācīšanos, kas ir mākslīgā intelekta atzars, lai radītu UZTVERI.
"Mūsu galvenais izaicinājums bija ierobežoti dati no klīnikām par atsevišķām šūnām. Mākslīgā intelekta modeļiem ir nepieciešams liels datu apjoms, lai izprastu slimības, tāpat kā ChatGPT ir nepieciešams milzīgs teksta datu apjoms no interneta," skaidro Sinha.
PERCEPTION izmanto publicētus masveida gēnu ekspresijas datus no audzējiem, lai iepriekš apmācītu savus modeļus. Pēc tam modeļu pilnveidošanai tika izmantoti atsevišķu šūnu līmeņa dati no šūnu līnijām un pacientiem, lai gan ierobežoti.
PERCEPTION metode ir veiksmīgi apstiprināta, prognozējot atbildes reakciju uz monoterapiju un kombinēto terapiju trīs neatkarīgos, nesen publicētos klīniskajos pētījumos par multiplo mielomu, krūts vēzi un plaušu vēzi. Katrā gadījumā PERCEPTION pareizi stratificēja pacientus respondentos un nerespondentos. Plaušu vēža gadījumā tā pat fiksēja zāļu rezistences attīstību slimības progresēšanas laikā, kas ir nozīmīgs atklājums ar lielu potenciālu.
Sinha saka, ka PERCEPTION vēl nav gatava lietošanai klīnikā, taču šī pieeja parāda, ka informāciju atsevišķu šūnu līmenī var izmantot ārstēšanas vadīšanai. Viņš cer veicināt tehnoloģijas ieviešanu klīnikās, lai ģenerētu vairāk datu, ko var izmantot, lai tālāk attīstītu un uzlabotu tehnoloģiju klīniskai lietošanai.
"Prognozēšanas kvalitāte uzlabojas līdz ar datu kvalitāti un kvantitāti, uz kuriem tā balstās," saka Sinha. "Mūsu mērķis ir izveidot klīnisku rīku, kas var sistemātiski un uz datiem balstīti prognozēt ārstēšanas reakciju atsevišķiem vēža pacientiem. Mēs ceram, ka šie atklājumi tuvākajā nākotnē stimulēs vairāk datu un līdzīgus pētījumus."