Penerbitan baru
Kecerdasan buatan meramalkan tindak balas terhadap terapi kanser berdasarkan data daripada setiap sel tumor
Ulasan terakhir: 02.07.2025
Semua kandungan iLive disemak secara perubatan atau fakta diperiksa untuk memastikan ketepatan faktual sebanyak mungkin.
Kami mempunyai garis panduan sumber yang ketat dan hanya memautkan ke tapak media yang bereputasi, institusi penyelidikan akademik dan, apabila mungkin, dikaji semula kajian secara medis. Perhatikan bahawa nombor dalam kurungan ([1], [2], dan lain-lain) boleh diklik pautan ke kajian ini.
Jika anda merasakan bahawa mana-mana kandungan kami tidak tepat, ketinggalan zaman, atau tidak dipersoalkan, sila pilih dan tekan Ctrl + Enter.
Dengan lebih 200 jenis kanser dan setiap kes adalah unik, usaha berterusan untuk membangunkan rawatan kanser ketepatan kekal mencabar. Tumpuan adalah untuk membangunkan ujian genetik untuk mengenal pasti mutasi dalam gen pemacu kanser dan menyesuaikan rawatan untuk menyasarkan mutasi ini.
Walau bagaimanapun, ramai, jika tidak kebanyakan, pesakit kanser tidak mendapat manfaat yang ketara daripada terapi sasaran awal ini. Dalam kajian baru yang diterbitkan dalam Kanser Alam, pengarang pertama Sanju Sinha, PhD, penolong profesor dalam Program Terapi Kanser Molekul di Sanford Burnham Prebys, bersama-sama dengan pengarang utama Eitan Ruppin, MD, PhD, dan Alejandro Schaffer, PhD, dari Institut Kanser Kebangsaan, sebahagian daripada Institut Kesihatan Nasional (NIH), dan rakan sekerja menerangkan cara pesakit kanser secara unik akan bertindak balas terhadap sistem pengiraan secara unik. tahap sel tunggal.
Dipanggil PERANCANGAN RAWATAN ONCOLOGI PERIBADI BERDASARKAN EKSPRESI TRANSIPLE SEL TUNGGAL (PERSEPSI), pendekatan baharu dikuasakan AI menyelidiki transkriptomi—kajian faktor transkripsi, molekul mRNA yang diekspresikan oleh gen dan menterjemah maklumat DNA ke dalam tindakan.
"Tumor adalah organisma yang kompleks dan sentiasa berubah. Menggunakan resolusi sel tunggal membolehkan kami menangani kedua-dua cabaran ini," kata Sinha. "PERSEPSI membolehkan kami menggunakan maklumat yang kaya daripada omexics sel tunggal untuk memahami seni bina klon tumor dan memantau kemunculan rintangan." (Dalam biologi, omexics merujuk kepada jumlah bahagian dalam sel.)
Sinha berkata: "Keupayaan untuk memantau kemunculan rintangan adalah bahagian yang paling menarik bagi saya. Ia berpotensi untuk membolehkan kita menyesuaikan diri dengan evolusi sel kanser dan juga mengubah strategi rawatan kami."
Sinha dan rakan sekerja menggunakan pembelajaran pemindahan, cabang AI, untuk mencipta PERSEPSI.
"Data sel tunggal yang terhad daripada klinik merupakan cabaran utama kami. Model AI memerlukan sejumlah besar data untuk memahami penyakit, sama seperti ChatGPT memerlukan sejumlah besar data teks daripada internet," jelas Sinha.
PERCEPTION menggunakan data ekspresi gen pukal yang diterbitkan daripada tumor untuk pra-melatih modelnya. Kemudian, data tahap sel tunggal daripada talian sel dan pesakit, walaupun terhad, digunakan untuk menala model.
PERSEPSI telah berjaya disahkan dalam meramalkan tindak balas kepada monoterapi dan terapi gabungan dalam tiga ujian klinikal bebas yang diterbitkan baru-baru ini dalam pelbagai myeloma, kanser payudara dan kanser paru-paru. Dalam setiap kes, PERCEPTION membahagikan pesakit dengan betul kepada responden dan bukan responden. Dalam kanser paru-paru, ia juga menangkap perkembangan rintangan dadah semasa penyakit itu berkembang, penemuan penting yang berpotensi besar.
Sinha berkata PERSEPSI masih belum bersedia untuk digunakan di klinik, tetapi pendekatan menunjukkan bahawa maklumat pada tahap sel individu boleh digunakan untuk membimbing rawatan. Beliau berharap dapat menggalakkan penggunaan teknologi di klinik untuk menjana lebih banyak data yang boleh digunakan untuk membangunkan dan menambah baik teknologi untuk kegunaan klinikal.
"Kualiti ramalan bertambah baik dengan kualiti dan kuantiti data yang menjadi asasnya," kata Sinha. "Matlamat kami adalah untuk mencipta alat klinikal yang boleh meramalkan tindak balas rawatan secara sistematik dan dipacu data dalam pesakit kanser individu. Kami berharap penemuan ini akan merangsang lebih banyak data dan kajian serupa dalam masa terdekat."