يتنبأ الذكاء الاصطناعي بالاستجابة لعلاج السرطان بناءً على بيانات من كل خلية ورم

مع وجود أكثر من 200 نوع من السرطان وكل حالة فريدة على حدة، تظل الجهود المستمرة لتطوير علاجات دقيقة للأورام أمرًا صعبًا. وينصب التركيز على تطوير الاختبارات الجينية لتحديد الطفرات في الجينات المسببة للسرطان وتحديد العلاجات المناسبة ضد هذه الطفرات.

ومع ذلك، فإن العديد من مرضى السرطان، إن لم يكن معظمهم، لا يستفيدون بشكل كبير من هذه العلاجات المستهدفة المبكرة. في الدراسة الجديدة، المنشورة في Nature Cancer، المؤلف الأول سانجو سينها، دكتوراه، أستاذ مساعد في برنامج العلاجات الجزيئية في السرطان في سانفورد بورنهام بريبيس، مع المؤلفين الرئيسيين إيتان روبين، دكتوراه في الطب، وأليخاندرو شيفر، دكتوراه، من المعهد الوطني للسرطان، وهو جزء من المعاهد الوطنية للصحة (NIH)، وزملاؤه يصفون نظامًا حسابيًا فريدًا للتنبؤ بشكل منهجي بالمريض. الاستجابة لأدوية السرطان على مستوى الخلية الواحدة.

يُسمى هذا النهج الجديد القائم على الذكاء الاصطناعي تخطيط العلاج الشخصي في علم الأورام استنادًا إلى تعبير نسخة الخلية الواحدة (PERCEPTION)، وهو يتعمق في دراسة النسخ - دراسة عوامل النسخ، وجزيئات الرنا المرسال التي يتم التعبير عنها بواسطة الجينات وترجمتها معلومات الحمض النووي إلى العمل.

"الورم هو كائن حي معقد ومتغير باستمرار. واستخدام تحليل الخلية الواحدة يسمح لنا بحل هاتين المشكلتين"، كما يقول سينها. "يتيح الإدراك استخدام المعلومات الغنية من أومكسيس الخلية المفردة لفهم بنية الورم النسيلي ومراقبة ظهور المقاومة." (في علم الأحياء، يشير مصطلح أومكسيس إلى مجموع المكونات داخل الخلية.)

يقول سينها: "إن القدرة على مراقبة ظهور المقاومة هي الجزء الأكثر إثارة بالنسبة لي. وهذا لديه القدرة على السماح لنا بالتكيف مع تطور الخلايا السرطانية وحتى تغيير استراتيجية العلاج لدينا."

استخدم سينها وزملاؤه التعلم النقلي، وهو أحد فروع الذكاء الاصطناعي، لإنشاء الإدراك.

"كانت البيانات المحدودة على مستوى الخلية من العيادات هي التحدي الرئيسي الذي يواجهنا. وتحتاج نماذج الذكاء الاصطناعي إلى كميات كبيرة من البيانات لفهم المرض، تمامًا كما يحتاج ChatGPT إلى كميات هائلة من البيانات النصية من الإنترنت"، يوضح سينها.

يستخدم PERCEPTION بيانات التعبير الجيني المجمعة المنشورة من الأورام للتدريب المسبق لنماذجه. بعد ذلك، تم استخدام البيانات على مستوى الخلية الواحدة من خطوط الخلايا والمرضى، على الرغم من محدوديتها، لضبط النماذج.

تم التحقق من صحة التصور بنجاح في التنبؤ بالاستجابة للعلاج الأحادي والعلاج المركب في ثلاث تجارب سريرية مستقلة تم نشرها مؤخرًا في المايلوما المتعددة وسرطان الثدي والرئة. في كل حالة، قام PERCEPTION بتقسيم المرضى بشكل صحيح إلى مستجيبين وغير مستجيبين. وفي مجال سرطان الرئة، قام بتوثيق تطور مقاومة الأدوية مع تقدم المرض، وهو اكتشاف مهم ذو إمكانات كبيرة.

يقول سينها إن PERCEPTION ليس جاهزًا بعد للاستخدام في العيادة، لكن النهج يوضح أنه يمكن استخدام المعلومات على مستوى الخلية الواحدة لتوجيه العلاج. ويأمل في تشجيع اعتماد هذه التكنولوجيا في العيادات لتوليد المزيد من البيانات التي يمكن استخدامها لمواصلة تطوير وتحسين التكنولوجيا للاستخدام السريري.

يقول سينها: "إن جودة التنبؤ تتحسن مع جودة وكمية البيانات التي يستند إليها". "هدفنا هو إنشاء أداة سريرية يمكنها التنبؤ بشكل منهجي ومعتمد على البيانات باستجابة العلاج لدى المرضى الأفراد المصابين بالسرطان. ونأمل أن تحفز هذه النتائج المزيد من البيانات والدراسات المماثلة في المستقبل القريب."