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

Met meer dan 200 soorten kanker en elk individueel uniek geval blijven de voortdurende inspanningen om nauwkeurige oncologische behandelingen te ontwikkelen een uitdaging. De nadruk ligt op het ontwikkelen van genetische tests om mutaties in kankerverwekkende genen te identificeren en geschikte behandelingen tegen deze mutaties te identificeren.

Veel, zo niet de meeste, patiënten met kanker profiteren echter niet significant van deze vroege, gerichte therapieën. In de nieuwe studie, gepubliceerd in Nature Cancer, zegt eerste auteur Sanju Sinha, Ph.D., assistent-professor in het Molecular Therapeutics Program in Cancer bij 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 beschrijven een uniek computersysteem voor het systematisch voorspellen van patiënten reactie op kankermedicijnen op eencellig niveau.

De nieuwe, op kunstmatige intelligentie gebaseerde aanpak, genaamd Personalised Treatment Planning in Oncology Based on Single-Cell Transcript Expression (PERCEPTION), duikt in de studie van transcriptomics: de studie van transcriptiefactoren, de mRNA-moleculen die door genen tot expressie worden gebracht en DNA-informatie in actie.

"Een tumor is een complex en voortdurend veranderend organisme. Met behulp van de resolutie van één cel kunnen we beide problemen oplossen", zegt Sinha. “PERCEPTION maakt het gebruik van rijke informatie uit eencellige omexis mogelijk om de klonale architectuur van tumoren te begrijpen en de opkomst van resistentie te monitoren.” (In de biologie verwijst omexis naar de som van de bestanddelen binnen een cel.)

Sinha zegt: "Het vermogen om de opkomst van resistentie te monitoren is voor mij het meest opwindende onderdeel. Dit heeft het potentieel om ons in staat te stellen ons aan te passen aan de evolutie van kankercellen en zelfs onze behandelstrategie te veranderen."

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

"Beperkte gegevens op celniveau uit klinieken waren onze grootste uitdaging. AI-modellen hebben grote hoeveelheden gegevens nodig om ziekten te begrijpen, net zoals ChatGPT enorme hoeveelheden tekstgegevens van internet nodig heeft", legt Sinha uit.

PERCEPTION gebruikt gepubliceerde bulkgenexpressiegegevens van tumoren om zijn modellen voor te trainen. Vervolgens werden gegevens op eencellig niveau van cellijnen en patiënten, hoewel beperkt, gebruikt om de modellen af te stemmen.

PERCEPTION werd met succes gevalideerd bij het voorspellen van de respons op monotherapie en combinatietherapie in drie onafhankelijke, onlangs gepubliceerde klinische onderzoeken bij multipel myeloom, borst- en longkanker. In elk geval heeft PERCEPTION de patiënten correct ingedeeld in responders en non-responders. Op het gebied van longkanker documenteerde hij zelfs de ontwikkeling van resistentie tegen geneesmiddelen naarmate de ziekte voortschreed, wat een belangrijke ontdekking met groot potentieel is.

Sinha zegt dat PERCEPTION nog niet klaar is voor gebruik in de kliniek, maar de aanpak laat zien dat informatie op celniveau kan worden gebruikt als leidraad voor de behandeling. Hij hoopt de acceptatie van deze technologie in klinieken aan te moedigen om meer gegevens te genereren die kunnen worden gebruikt om de technologie voor klinisch gebruik verder te ontwikkelen en te verbeteren.

"De kwaliteit van de prognoses verbetert naarmate de kwaliteit en kwantiteit van de gegevens waarop deze zijn gebaseerd", zegt Sinha. "Ons doel is om een klinisch hulpmiddel te creëren dat systematisch en datagestuurd de respons op de behandeling bij individuele patiënten met kanker kan voorspellen. We hopen dat deze bevindingen in de nabije toekomst meer gegevens en soortgelijke onderzoeken zullen stimuleren."