Сопоставление уникальной генетической информации об опухолях онкологических больных с вариантами лечения – развивающаяся область усилий точной медицины – часто не позволяет идентифицировать всех пациентов, которые могут реагировать на определенные виды лечения. Другая молекулярная информация от пациентов может выявить этих так называемых «скрытых респондентов», согласно исследованию Penn Medicine, опубликованному в Cell Reports на этой неделе. На этой неделе результаты опубликованы вместе с несколькими статьями в других журналах Cell, посвященных изучению молекулярных путей с использованием Атласа генома рака (TCGA).
«При помощи целевого секвенирования можно найти людей с определенными мутациями, которые, как считается, придают чувствительность к противораковым препаратам», – сказал старший автор исследования Кейси Грин, доктор философии , доцент кафедры фармакологии Медицинской школы Перельмана при Университете Пенсильвании . «Но у многих людей эти мутации могут отсутствовать, и по мере совершенствования подходов к машинному обучению они могут помочь пациентам выбрать подходящие методы лечения».
Грин и первый автор и докторант Грегори П. Уэй использовали машинное обучение для классификации аномальной активности белка в опухолях. Эта ветвь искусственного интеллекта разрабатывает компьютерные программы, которые могут использовать новые данные для обучения и составления прогнозов. Алгоритм, разработанный ими для поиска TCGA, объединяет генетические данные о 33 различных типах рака. Грин и Уэй использовали информацию из транскриптома – совокупности всех информационных РНК, экспрессируемых в организме человека.
Они специально применили свою модель к Ras-пути, семейству генов, которые производят белки, управляющие репликацией и гибелью клеток. Изменения нормальной функции белков Ras – мутации, которые ответственны за 30 процентов всех видов рака – могут заставить раковые клетки расти и распространяться. Эти мутации часто называют «неуправляемым Ras», поскольку они подавили множество исследуемых ингибиторов и методов лечения на основе вакцин.
«Эта модель была обучена на генетических данных человеческих опухолей в Атласе ракового генома и смогла предсказать реакцию на определенные ингибиторы, которые влияют на рак с помощью сверхактивной передачи сигналов Ras в энциклопедии линий раковых клеток», – сказал Грин. В результате транскриптом недостаточно используется для повышения точности онкологии, но в сочетании с машинным обучением он может помочь в выявлении потенциальных скрытых респондентов.
Команда Пенна сотрудничала с соавтором Иоландой Санчес, доктором философии, биологом-онкологом из Медицинской школы Гейзеля в Дартмутском колледже. Они работают вместе, чтобы связать ее идентификацию соединений, которые нацелены на опухоли с неконтролируемой активностью Ras, и данные об опухолях (проанализированные с помощью машинного обучения), чтобы найти пациентов, которым эти потенциальные противораковые препараты могут помочь.
«Чтобы точная медицина приносила пользу людям в реальном времени, мы должны разработать надежные модели для эффективного тестирования эффективности потенциальных методов лечения», – сказал Санчес. «Мы можем использовать этот очень мощный комбинированный подход к открытию лекарств на основе машинного обучения с использованием аватаров, которые представляют собой мышей, несущих идентичные копии опухолей пациента. Аватары позволяют нашей междисциплинарной команде выявлять опухоли с неконтролируемой активностью Ras, а также оценивать и сравнивать различные методы лечения в режиме реального времени ».
Оставить ответ