ابزار هوش مصنوعی با استفاده از اطلاعات هر سلول تومور، پاسخ به درمان سرطان را پیش‌بینی می‌کند

با بیش از 200 نوع سرطان و هر سرطان به طور جداگانه منحصر به فرد، تلاش های مداوم برای توسعه درمان های انکولوژی دقیق همچنان دلهره آور است. بیشتر تمرکز بر روی توسعه سنجش‌ها یا تجزیه و تحلیل‌های توالی‌یابی ژنتیکی برای شناسایی جهش‌ها در ژن‌های محرک سرطان بوده است، سپس تلاش برای تطبیق درمان‌هایی که ممکن است علیه این جهش‌ها کار کنند.

اما بسیاری از بیماران سرطانی، اگر نه بیشتر آنها، از این درمان‌های هدفمند اولیه بهره نمی‌برند. در مطالعه جدیدی که در مجله منتشر شده است سرطان طبیعت، نویسنده اول سانجو سینها، دکترا، استادیار برنامه درمان مولکولی سرطان در سنفورد برنهام پربیس، با نویسندگان ارشد ایتان روپین، دکترای دکترا، و آلخاندرو شافر، دکترای ملی سرطان، مؤسسه، بخشی از مؤسسه ملی بهداشت (NIH) – و همکارانش – اولین خط لوله محاسباتی در نوع خود را برای پیش‌بینی سیستماتیک پاسخ بیمار به داروهای سرطان در وضوح تک سلولی توصیف می‌کنند.

این رویکرد جدید مبتنی بر هوش مصنوعی که برنامه‌ریزی مبتنی بر بیان تک سلولی شخصی برای درمان‌ها در سرطان‌شناسی یا PERCEPTION نامیده می‌شود، عمیق‌تر به کاربرد ترنسکریپتومیکس می‌پردازد – مطالعه عوامل رونویسی، مولکول‌های RNA پیام‌رسان بیان‌شده توسط ژن‌هایی که DNA را حمل و تبدیل می‌کنند. اطلاعات در عمل

سینها می گوید: “تومور یک جانور پیچیده و در حال تکامل است. استفاده از وضوح تک سلولی می تواند به ما اجازه دهد تا با هر دوی این چالش ها مقابله کنیم.” PERCEPTION امکان استفاده از اطلاعات غنی را در omics تک سلولی برای درک ساختار کلونال تومور و نظارت بر ظهور مقاومت فراهم می کند. (در زیست شناسی، omics به مجموع اجزای درون یک سلول اشاره دارد.)

سینها می‌گوید: “توانایی نظارت بر ظهور مقاومت هیجان‌انگیزترین بخش برای من است. این پتانسیل به ما امکان می‌دهد تا با تکامل سلول‌های سرطانی سازگار شویم و حتی استراتژی درمانی خود را اصلاح کنیم.”

سینها و همکارانش از یادگیری انتقالی – شاخه ای از هوش مصنوعی – برای ساختن PERCEPTION استفاده کردند.

سینها توضیح می‌دهد: «داده‌های تک سلولی محدود از کلینیک‌ها بزرگترین چالش ما بود. یک مدل هوش مصنوعی برای درک یک بیماری به مقادیر زیادی داده نیاز دارد، برخلاف اینکه ChatGPT به مقادیر عظیمی از داده‌های متنی از اینترنت نیاز دارد.»

PERCEPTION از بیان ژن توده منتشر شده از تومورها برای پیش‌آموزش مدل‌های خود استفاده می‌کند. سپس، داده‌های تک سلولی از رده‌های سلولی و بیماران، هرچند محدود، برای تنظیم مدل‌ها استفاده شد.

PERCEPTION با پیش‌بینی پاسخ به تک‌تراپی و درمان ترکیبی در سه کارآزمایی بالینی مستقل و اخیراً منتشر شده برای مولتیپل میلوما، سینه و سرطان ریه با موفقیت تأیید شد. در هر مورد، PERCEPTION به درستی بیماران را به دو دسته‌های پاسخ‌دهنده و غیرپاسخ‌دهنده طبقه‌بندی کرد. در سرطان ریه، حتی با پیشرفت بیماری، مقاومت دارویی را به تصویر کشید، یک کشف قابل توجه با پتانسیل بسیار زیاد.

سینها می گوید که PERCEPTION برای درمانگاه ها آماده نیست، اما این رویکرد نشان می دهد که اطلاعات تک سلولی می تواند برای هدایت درمان استفاده شود. او امیدوار است که پذیرش این فناوری در کلینیک ها را تشویق کند تا داده های بیشتری تولید کند، که می تواند برای توسعه بیشتر و اصلاح فناوری برای استفاده بالینی استفاده شود.

سینها می‌گوید: «کیفیت پیش‌بینی با کیفیت و کمیت داده‌هایی که پایه و اساس آن هستند، افزایش می‌یابد. “هدف ما ایجاد یک ابزار بالینی است که بتواند پاسخ درمانی بیماران سرطانی را به شیوه ای سیستماتیک و مبتنی بر داده ها پیش بینی کند. امیدواریم این یافته ها زودتر به داده های بیشتر و مطالعات بیشتری کمک کند.”