Όλα τα περιεχόμενα του iLive ελέγχονται ιατρικά ή ελέγχονται για να διασφαλιστεί η όσο το δυνατόν ακριβέστερη ακρίβεια.
Έχουμε αυστηρές κατευθυντήριες γραμμές προμήθειας και συνδέουμε μόνο με αξιόπιστους δικτυακούς τόπους πολυμέσων, ακαδημαϊκά ερευνητικά ιδρύματα και, όπου είναι δυνατόν, ιατρικά επισκοπικά μελέτες. Σημειώστε ότι οι αριθμοί στις παρενθέσεις ([1], [2], κλπ.) Είναι σύνδεσμοι με τις οποίες μπορείτε να κάνετε κλικ σε αυτές τις μελέτες.
Εάν πιστεύετε ότι κάποιο από το περιεχόμενό μας είναι ανακριβές, παρωχημένο ή αμφισβητήσιμο, παρακαλώ επιλέξτε το και πατήστε Ctrl + Enter.
Η τεχνητή νοημοσύνη προβλέπει την ανταπόκριση στη θεραπεία του καρκίνου με βάση δεδομένα από κάθε καρκινικό κύτταρο
Τελευταία επισκόπηση: 02.07.2025
Με πάνω από 200 τύπους καρκίνου και κάθε περίπτωση να είναι μοναδική, οι συνεχιζόμενες προσπάθειες για την ανάπτυξη ακριβών θεραπειών για τον καρκίνο παραμένουν απαιτητικές. Η έμφαση δίνεται στην ανάπτυξη γενετικών εξετάσεων για τον εντοπισμό μεταλλάξεων σε γονίδια που προκαλούν καρκίνο και στην προσαρμογή θεραπειών που στοχεύουν σε αυτές τις μεταλλάξεις.
Ωστόσο, πολλοί, αν όχι οι περισσότεροι, ασθενείς με καρκίνο δεν ωφελούνται σημαντικά από αυτές τις πρώιμες στοχευμένες θεραπείες. Σε μια νέα μελέτη που δημοσιεύτηκε στο Nature Cancer, ο πρώτος συγγραφέας Sanju Sinha, PhD, επίκουρος καθηγητής στο Πρόγραμμα Μοριακής Θεραπείας Καρκίνου στο Sanford Burnham Prebys, μαζί με τους κύριους συγγραφείς Eitan Ruppin, MD, PhD, και Alejandro Schaffer, PhD, του Εθνικού Ινστιτούτου Καρκίνου, μέρος των Εθνικών Ινστιτούτων Υγείας (NIH), και τους συναδέλφους του περιγράφουν ένα μοναδικό υπολογιστικό σύστημα για τη συστηματική πρόβλεψη του τρόπου με τον οποίο οι ασθενείς θα ανταποκριθούν στα φάρμακα για τον καρκίνο σε επίπεδο ενός κυττάρου.
Με την ονομασία ΕΞΑΤΟΜΙΚΕΥΜΕΝΟΣ ΣΧΕΔΙΑΣΜΟΣ ΘΕΡΑΠΕΙΑΣ ΟΓΚΟΛΟΓΙΑΣ ΜΕ ΒΑΣΗ ΤΗΝ ΕΚΦΡΑΣΗ (ΑΝΤΙΛΗΨΗ) ΜΟΝΟΚΥΤΤΑΡΙΚΗΣ ΜΕΤΑΓΡΑΦΗΣ (ΜΕΤΑΓΡΑΦΗ) (SIGN CELL TRANCIPLE EXPRESSION - PERCEPTION), η νέα προσέγγιση που βασίζεται στην Τεχνητή Νοημοσύνη εμβαθύνει στην μεταγραφωμική - τη μελέτη των παραγόντων μεταγραφής, των μορίων mRNA που εκφράζονται από γονίδια και μεταφράζουν τις πληροφορίες του DNA σε δράση.
«Οι όγκοι είναι πολύπλοκοι και συνεχώς μεταβαλλόμενοι οργανισμοί. Η χρήση της μονοκυτταρικής ανάλυσης μας επιτρέπει να αντιμετωπίσουμε και τις δύο αυτές προκλήσεις», λέει ο Sinha. «Η ΑΝΤΙΛΗΨΗ μας επιτρέπει να χρησιμοποιήσουμε τις πλούσιες πληροφορίες από τα μονοκυτταρικά ομεξικά για να κατανοήσουμε την κλωνική αρχιτεκτονική ενός όγκου και να παρακολουθήσουμε την εμφάνιση αντοχής». (Στη βιολογία, τα ομεξικά αναφέρονται στο άθροισμα των μερών ενός κυττάρου.)
Ο Sinha λέει: «Η ικανότητα παρακολούθησης της εμφάνισης αντοχής είναι το πιο συναρπαστικό κομμάτι για μένα. Έχει τη δυνατότητα να μας επιτρέψει να προσαρμοστούμε στην εξέλιξη των καρκινικών κυττάρων και ακόμη και να αλλάξουμε τη θεραπευτική μας στρατηγική».
Ο Sinha και οι συνεργάτες του χρησιμοποίησαν τη μεταφορά μάθησης, έναν κλάδο της Τεχνητής Νοημοσύνης, για να δημιουργήσουν ΑΝΤΙΛΗΨΗ.
«Τα περιορισμένα δεδομένα από μεμονωμένα κύτταρα από κλινικές ήταν η κύρια πρόκληση για εμάς. Τα μοντέλα τεχνητής νοημοσύνης χρειάζονται μεγάλες ποσότητες δεδομένων για να κατανοήσουν τις ασθένειες, όπως ακριβώς το ChatGPT χρειάζεται τεράστιες ποσότητες δεδομένων κειμένου από το διαδίκτυο», εξηγεί ο Sinha.
Το PERCEPTION χρησιμοποιεί δημοσιευμένα δεδομένα μαζικής γονιδιακής έκφρασης από όγκους για την προεκπαίδευση των μοντέλων του. Στη συνέχεια, δεδομένα σε επίπεδο μεμονωμένων κυττάρων από κυτταρικές σειρές και ασθενείς, αν και περιορισμένα, χρησιμοποιήθηκαν για τη ρύθμιση των μοντέλων.
Η PERCEPTION έχει επικυρωθεί με επιτυχία στην πρόβλεψη της ανταπόκρισης στη μονοθεραπεία και τη συνδυαστική θεραπεία σε τρεις ανεξάρτητες, πρόσφατα δημοσιευμένες κλινικές δοκιμές σε πολλαπλό μυέλωμα, καρκίνο του μαστού και καρκίνο του πνεύμονα. Σε κάθε περίπτωση, η PERCEPTION διαστρωμάτωση των ασθενών σε ανταποκρινόμενους και μη ανταποκρινόμενους. Στον καρκίνο του πνεύμονα, κατέγραψε ακόμη και την ανάπτυξη αντοχής στα φάρμακα καθώς η νόσος εξελίσσεται, ένα σημαντικό εύρημα με μεγάλες δυνατότητες.
Ο Sinha λέει ότι η ΑΝΤΙΛΗΨΗ δεν είναι ακόμη έτοιμη για χρήση στην κλινική, αλλά η προσέγγιση δείχνει ότι οι πληροφορίες σε επίπεδο μεμονωμένων κυττάρων μπορούν να χρησιμοποιηθούν για την καθοδήγηση της θεραπείας. Ελπίζει να ενθαρρύνει την υιοθέτηση της τεχνολογίας στις κλινικές για τη δημιουργία περισσότερων δεδομένων που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανάπτυξη και βελτίωση της τεχνολογίας για κλινική χρήση.
«Η ποιότητα της πρόβλεψης βελτιώνεται με την ποιότητα και την ποσότητα των δεδομένων στα οποία βασίζεται», λέει ο Sinha. «Στόχος μας είναι να δημιουργήσουμε ένα κλινικό εργαλείο που μπορεί να προβλέψει συστηματικά και με βάση δεδομένα την ανταπόκριση στη θεραπεία σε μεμονωμένους ασθενείς με καρκίνο. Ελπίζουμε ότι αυτά τα ευρήματα θα αποτελέσουν κίνητρο για περισσότερα δεδομένα και παρόμοιες μελέτες στο εγγύς μέλλον».