Artificiell intelligens förutspår respons på cancerbehandling baserat på data från varje tumörcell

Med över 200 typer av cancer och varje fall unikt, är det fortsatt svårt att utveckla precisionsbehandlingar för cancer. Fokus ligger på att utveckla genetiska tester för att identifiera mutationer i cancergener och skräddarsy behandlingar för att rikta in sig på dessa mutationer.

Många, om inte de flesta, cancerpatienter har dock inte någon signifikant nytta av dessa tidiga riktade behandlingar. I en ny studie publicerad i Nature Cancer beskriver försteförfattaren Sanju Sinha, PhD, biträdande professor i Molecular Cancer Therapy Program vid Sanford Burnham Prebys, tillsammans med huvudförfattarna Eitan Ruppin, MD, PhD, och Alejandro Schaffer, PhD, vid National Cancer Institute, en del av National Institutes of Health (NIH), och kollegor ett unikt beräkningssystem för att systematiskt förutsäga hur patienter kommer att reagera på cancerläkemedel på encellsnivå.

Den nya AI-drivna metoden, som kallas PERSONLIG ONKOLOGISK BEHANDLINGSPLANERING BASERAD PÅ ENKELCELL TRANCIPUTTRYCK (PERCEPTION), fördjupar sig i transkriptomik – studiet av transkriptionsfaktorer, mRNA-molekyler som uttrycks av gener och omsätter DNA-information till handling.

"Tumörer är komplexa och ständigt föränderliga organismer. Genom att använda encellsupplösning kan vi ta itu med båda dessa utmaningar", säger Sinha. "PERCEPTION gör det möjligt för oss att använda den rika informationen från encelliga omexer för att förstå tumörens klonala arkitektur och övervaka uppkomsten av resistens." (Inom biologi hänvisar omexer till summan av delarna i en cell.)

Sinha säger: ”Möjligheten att övervaka uppkomsten av resistens är det mest spännande för mig. Det har potential att låta oss anpassa oss till cancercellernas utveckling och till och med ändra vår behandlingsstrategi.”

Sinha och kollegor använde transfer learning, en gren av AI, för att skapa UPPFÅNGNING.

”Begränsad encellsdata från kliniker var vår största utmaning. AI-modeller behöver stora mängder data för att förstå sjukdomar, precis som ChatGPT behöver enorma mängder textdata från internet”, förklarar Sinha.

PERCEPTION använder publicerade bulkdata av genuttryck från tumörer för att förträna sina modeller. Därefter användes data på encellsnivå från cellinjer och patienter, om än begränsade, för att finjustera modellerna.

PERCEPTION har framgångsrikt validerats för att förutsäga respons på monoterapi och kombinationsbehandling i tre oberoende, nyligen publicerade kliniska studier av multipelt myelom, bröstcancer och lungcancer. I samtliga fall stratifierade PERCEPTION korrekt patienter i responders och non-responders. Vid lungcancer registrerades till och med utvecklingen av läkemedelsresistens allt eftersom sjukdomen fortskred, ett betydande fynd med stor potential.

Sinha säger att PERCEPTION ännu inte är redo att användas i kliniken, men metoden visar att information på individuella cellnivå kan användas för att vägleda behandlingen. Han hoppas kunna uppmuntra införandet av tekniken i kliniker för att generera mer data som kan användas för att vidareutveckla och förbättra tekniken för klinisk användning.

”Kvaliteten på prediktionerna förbättras med kvaliteten och kvantiteten på de data som de baseras på”, säger Sinha. ”Vårt mål är att skapa ett kliniskt verktyg som systematiskt och datadrivet kan förutsäga behandlingsrespons hos enskilda cancerpatienter. Vi hoppas att dessa resultat kommer att stimulera mer data och liknande studier inom en snar framtid.”