Kunstmatige intelligentie voorspelt respons op kankertherapie op basis van gegevens van elke tumorcel

Met meer dan 200 soorten kanker en elk geval uniek, blijft het een uitdaging om nauwkeurige kankerbehandelingen te ontwikkelen. De focus ligt op het ontwikkelen van genetische tests om mutaties in kankergenen te identificeren en behandelingen af te stemmen op deze mutaties.

Veel, zo niet de meeste, kankerpatiënten hebben echter geen significant voordeel van deze vroeggerichte therapieën. In een nieuwe studie, gepubliceerd in Nature Cancer, beschrijven eerste auteur Sanju Sinha, PhD, universitair docent aan het Molecular Cancer Therapy Program van Sanford Burnham Prebys, samen met hoofdauteurs Eitan Ruppin, MD, PhD, en Alejandro Schaffer, PhD, van het National Cancer Institute, onderdeel van de National Institutes of Health (NIH), en collega's een uniek computationeel systeem om systematisch te voorspellen hoe patiënten zullen reageren op kankermedicijnen op het niveau van individuele cellen.

De nieuwe AI-aangedreven aanpak, met de naam PERSONALIZED ONCOLOGY TREATMENT PLANNING BASED ON SINGLE-CELL TRANCIPLE EXPRESSION (PERCEPTION), verdiept zich in transcriptomics: de studie van transcriptiefactoren, mRNA-moleculen die tot expressie worden gebracht door genen en DNA-informatie omzetten in actie.

"Tumoren zijn complexe en constant veranderende organismen. Door single-cell resolutie te gebruiken, kunnen we beide uitdagingen aanpakken", zegt Sinha. "PERCEPTION stelt ons in staat om de rijke informatie van single-cell omexics te gebruiken om de klonale architectuur van een tumor te begrijpen en het ontstaan van resistentie te monitoren." (In de biologie verwijst omexics naar de som der delen binnen een cel.)

Sinha zegt: "Het vermogen om de opkomst van resistentie te monitoren is voor mij het meest opwindende. Het biedt ons de mogelijkheid om ons aan te passen aan de evolutie van kankercellen en zelfs onze behandelstrategie te veranderen."

Sinha en collega's gebruikten transfer learning, een onderdeel van AI, om WAARNEMING te creëren.

"Beperkte data van individuele cellen uit klinieken vormden onze grootste uitdaging. AI-modellen hebben grote hoeveelheden data nodig om ziekten te begrijpen, net zoals ChatGPT enorme hoeveelheden tekstdata van internet nodig heeft", legt Sinha uit.

PERCEPTION gebruikt gepubliceerde bulk-genexpressiedata van tumoren om de modellen voor te trainen. Vervolgens werden, hoewel beperkt, gegevens op individueel celniveau van cellijnen en patiënten gebruikt om de modellen te verfijnen.

PERCEPTION is succesvol gevalideerd in het voorspellen van de respons op monotherapie en combinatietherapie in drie onafhankelijke, recent gepubliceerde klinische studies bij multipel myeloom, borstkanker en longkanker. In elk geval heeft PERCEPTION patiënten correct gestratificeerd in respondenten en non-respondenten. Bij longkanker identificeerde het zelfs de ontwikkeling van resistentie tegen geneesmiddelen naarmate de ziekte vorderde, een significante bevinding met een groot potentieel.

Sinha zegt dat PERCEPTION nog niet klaar is voor klinisch gebruik, maar dat de aanpak aantoont dat informatie op het niveau van individuele cellen kan worden gebruikt om de behandeling te sturen. Hij hoopt de acceptatie van de technologie in klinieken te stimuleren en zo meer gegevens te genereren die kunnen worden gebruikt om de technologie verder te ontwikkelen en te verbeteren voor klinisch gebruik.

"De kwaliteit van de voorspelling verbetert met de kwaliteit en kwantiteit van de data waarop deze is gebaseerd", zegt Sinha. "Ons doel is om een klinische tool te creëren die systematisch en datagedreven de respons op de behandeling bij individuele kankerpatiënten kan voorspellen. We hopen dat deze bevindingen in de nabije toekomst meer data en vergelijkbare studies zullen stimuleren."