^
A
A
A

Kecerdasan buatan meramalkan tindak balas terhadap terapi kanser berdasarkan data daripada setiap sel tumor

 
, Editor perubatan
Ulasan terakhir: 14.06.2024
 
Fact-checked
х

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.

20 May 2024, 07:27

Dengan lebih daripada 200 jenis kanser dan setiap kes unik secara individu, usaha berterusan untuk membangunkan rawatan onkologi ketepatan kekal mencabar. Tumpuan adalah untuk membangunkan ujian genetik untuk mengenal pasti mutasi dalam gen pemacu kanser dan mengenal pasti rawatan yang sesuai terhadap mutasi ini.

Walau bagaimanapun, ramai, jika bukan kebanyakan, pesakit kanser tidak mendapat manfaat yang ketara daripada terapi sasaran awal ini. Dalam kajian baharu, yang diterbitkan dalam Nature Cancer, pengarang pertama Sanju Sinha, Ph.D., penolong profesor dalam Program Terapi Molekul dalam Kanser 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 sistem pengiraan unik untuk meramalkan pesakit secara sistematik tindak balas terhadap ubat kanser pada tahap sel tunggal.

Dipanggil Perancangan Rawatan Peribadi dalam Onkologi Berdasarkan Ungkapan Transkrip Sel Tunggal (PERSEPSI), pendekatan berasaskan kecerdasan buatan baharu menyelidiki kajian transkriptomi—kajian faktor transkripsi, molekul mRNA yang dinyatakan oleh gen dan menterjemah Maklumat DNA bertindak.

"Tumor ialah organisma yang kompleks dan sentiasa berubah. Menggunakan resolusi sel tunggal membolehkan kita menyelesaikan kedua-dua masalah ini," kata Sinha. "PERSEPSI membolehkan penggunaan maklumat yang kaya daripada omexis sel tunggal untuk memahami seni bina klon tumor dan memantau kemunculan rintangan." (Dalam biologi, omexis merujuk kepada jumlah juzuk dalam sel.)

Sinha berkata: "Keupayaan untuk memantau kemunculan rintangan adalah bahagian yang paling menarik bagi saya. Ini 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 peringkat sel 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.

PERSEPSI menggunakan data ekspresi gen pukal yang diterbitkan daripada tumor untuk melatih modelnya. Seterusnya, 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 paru-paru. Dalam setiap kes, PERCEPTION membahagikan pesakit dengan betul kepada responden dan bukan responden. Dalam kanser paru-paru, dia juga mendokumentasikan perkembangan rintangan dadah semasa penyakit itu berkembang, yang merupakan penemuan penting yang berpotensi besar.

Sinha berkata PERSEPSI masih belum bersedia untuk digunakan di klinik, tetapi pendekatan menunjukkan bahawa maklumat di peringkat sel tunggal boleh digunakan untuk membimbing rawatan. Beliau berharap dapat menggalakkan penggunaan teknologi ini 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 individu yang menghidap kanser. Kami berharap penemuan ini akan merangsang lebih banyak data dan kajian serupa dalam masa terdekat."

You are reporting a typo in the following text:
Simply click the "Send typo report" button to complete the report. You can also include a comment.