Η τεχνητή νοημοσύνη δοκιμάζει έναν πιο πρακτικό ρόλο στην ογκολογία: να βοηθήσει τους γιατρούς και τους ερευνητές να εκτιμήσουν ποια φάρμακα μπορεί να λειτουργήσουν καλύτερα σε έναν συγκεκριμένο όγκο. Ερευνητές ανέπτυξαν ένα «εικονικό κύτταρο» που προβλέπει την απόκριση καρκινικών κυττάρων του μαστού σε θεραπείες, χρησιμοποιώντας δυναμικά δεδομένα πρωτεϊνών αντί για ένα στατικό στιγμιότυπο.
Γιατί ο τριπλά αρνητικός καρκίνος είναι δύσκολος
Ο τριπλά αρνητικός καρκίνος του μαστού δεν διαθέτει υποδοχείς για οιστρογόνα και προγεστερόνη ούτε την πρωτεΐνη HER2, άρα δεν μπορεί να αντιμετωπιστεί με τις αντίστοιχες ορμονικές ή στοχευμένες θεραπείες. Επιπλέον, όγκοι που μοιάζουν μεταξύ τους στην κλινική εικόνα μπορεί να διαφέρουν σημαντικά σε μοριακό επίπεδο και να ανταποκρίνονται διαφορετικά στα φάρμακα.
Αυτό κάνει την επιλογή θεραπείας δύσκολη και αυξάνει την αξία κάθε εργαλείου που μπορεί να δώσει πιο εξατομικευμένες ενδείξεις. Το μοντέλο δεν αποφασίζει μόνο του για τη θεραπεία· προσπαθεί να περιορίσει την αβεβαιότητα πριν από τις εργαστηριακές και κλινικές δοκιμές.
Το ProteinTalks μαθαίνει από τις αλλαγές στον χρόνο
Η ερευνητική ομάδα του Westlake University εκπαίδευσε το μοντέλο ProteinTalks σε περισσότερες από 38 εκατομμύρια μετρήσεις πρωτεϊνών από 18 κυτταρικές σειρές καρκίνου του μαστού, 16 από τις οποίες ήταν τριπλά αρνητικές. Οι ερευνητές παρακολούθησαν 5.585 ομάδες πρωτεϊνών πριν από τη θεραπεία και έξι, 24 και 48 ώρες μετά τη χορήγηση φαρμάκων.
Η χρονική διάσταση είναι κρίσιμη. Μια μέτρηση πριν και μία μετά τη θεραπεία δείχνουν δύο καταστάσεις, όχι τη διαδρομή που συνδέει τη μία με την άλλη. Παρακολουθώντας τις μεταβολές, το μοντέλο μπορεί να μάθει ποια μοριακά μοτίβα συνδέονται με ευαισθησία ή αντοχή σε μια θεραπεία.
Στα πειράματα χρησιμοποιήθηκαν 63 αντικαρκινικά φάρμακα εγκεκριμένα από την αμερικανική FDA, καθώς και 59 συνδυασμοί φαρμάκων. Σε 81 φάρμακα που δεν είχαν συμπεριληφθεί στην εκπαίδευση, το μοντέλο πέτυχε ακρίβεια 88% στην πρόβλεψη της κυτταρικής απόκρισης.
Από το εργαστήριο σε δείγματα ασθενών
Το πιο ενδιαφέρον βήμα ήταν η δοκιμή σε βιοψίες. Οι ερευνητές ανέλυσαν 3.651 πρωτεΐνες σε δείγματα όγκων από 501 ανθρώπους με τριπλά αρνητικό καρκίνο του μαστού, πριν από τη χημειοθεραπεία. Οι προβλέψεις του μοντέλου διαχώρισαν ομάδες με διαφορετικές κλινικές εκβάσεις και αντιστοιχούσαν στην αποτελεσματικότητα των θεραπειών που είχαν λάβει οι ασθενείς.
Το αποτέλεσμα δεν σημαίνει ότι η AI μπορεί ήδη να αντικαταστήσει τον ογκολόγο ή να επιλέξει με ασφάλεια ένα φάρμακο για κάθε ασθενή. Η μελέτη δείχνει ότι ένα μοντέλο που εκπαιδεύεται σε δυναμικά δεδομένα πρωτεωμικής μπορεί να λειτουργήσει ως εργαλείο υποστήριξης και να προτείνει υποθέσεις για περαιτέρω έλεγχο.
Η υπόσχεση και τα όρια της εξατομικευμένης θεραπείας
Το ProteinTalks μπορεί να βοηθήσει στην αναζήτηση φαρμάκων, στην πρόβλεψη συνδυασμών και στον εντοπισμό πρωτεϊνών που σχετίζονται με αντοχή. Ωστόσο, τα αποτελέσματα πρέπει να επιβεβαιώνονται σε ανεξάρτητες μελέτες, σε οργανίδια που προέρχονται από ασθενείς και, τελικά, σε προοπτικές κλινικές δοκιμές.
Η αξία της προσέγγισης βρίσκεται ακριβώς σε αυτή τη μετριοπαθή αλλά χρήσιμη υπόσχεση: να μετατρέψει μέρος της βιολογικής πολυπλοκότητας σε ελέγξιμες προβλέψεις. Η απόσταση από μια καλή πρόβλεψη σε μια ασφαλή θεραπευτική απόφαση παραμένει μεγάλη, αλλά η σύνδεση εργαστηριακών δεδομένων, υπολογιστικών μοντέλων και πραγματικών βιοψιών γίνεται πιο συγκεκριμένη.
Πηγή: Nature