Ερευνητές στο Πανεπιστήμιο της Καλιφόρνια στο Σαν Ντιέγκο ανέπτυξαν ένα μοντέλο Τεχνητής Νοημοσύνης που συνδέει τις μεταλλάξεις των όγκων με την πιθανή ανταπόκριση στη θεραπεία, σύμφωνα με το UC San Diego Today.
Το μοντέλο ονομάζεται MutationProjector και εκπαιδεύτηκε σε γονιδιωματικά δεδομένα από περισσότερους από τριάντα χιλιάδες όγκους σε δέκα τύπους καρκίνου προσφέροντας νέο πλαίσιο για τη σύνδεση μεταλλάξεων με βιολογικές οδούς που επηρεάζουν την ανταπόκριση στη θεραπεία. Η μελέτη δημοσιεύτηκε στο περιοδικό Cancer Discovery όπου οι ερευνητές επικύρωσαν το μοντέλο σε ανεξάρτητες ομάδες ασθενών.
Ο καθηγητής Trey Ideker δήλωσε ότι η γενετική αλληλούχιση χρησιμοποιείται ήδη στην κλινική πράξη αλλά η ερμηνεία των πολλαπλών μεταλλάξεων παραμένει δύσκολη. Το MutationProjector επιχειρεί να μετατρέψει αυτά τα δεδομένα σε προβλέψεις θεραπευτικής ανταπόκρισης αξιοποιώντας μεγάλα σύνολα γονιδιωμάτων.
Ο γενετικός έλεγχος παραμένει σημαντικός στη διάγνωση καρκίνου όμως μόνο ένα μικρό ποσοστό ασθενών αντιστοιχίζεται σε εγκεκριμένες θεραπείες βάσει βιοδεικτών. Το μοντέλο αναλύει συνδυασμούς μεταλλάξεων και δημιουργεί συμπαγή αναπαράσταση της βιολογικής κατάστασης του όγκου επιτρέποντας καλύτερη κατανόηση των μοριακών οδών που έχουν διαταραχθεί.
Σε δοκιμές σε καρκίνο πνεύμονα ουροδόχου κύστης και μελάνωμα το σύστημα ξεπέρασε υπάρχουσες μεθόδους πρόβλεψης θεραπευτικής απόκρισης. Εντόπισε γνωστούς αλλά και νέους βιοδείκτες που σχετίζονται με την έκβαση της θεραπείας. Ο JungHo Kong ανέφερε ότι πολλές μεταλλάξεις είναι σπάνιες και δύσκολα μελετώνται. Το προεκπαιδευμένο μοντέλο αναγνωρίζει μοτίβα που διαφεύγουν των κλασικών μεθόδων βιοδεικτών προσφέροντας λειτουργική ερμηνεία των όγκων.
Οι ερευνητές τονίζουν ότι το σύστημα παρέχει και εξηγήσεις για τις προβλέψεις του αυξάνοντας την αξιοπιστία στην ογκολογία ακριβείας. Στόχος είναι η επέκταση σε περισσότερους τύπους καρκίνου και δεδομένα όπως απεικόνιση και μεταγραφωμική. Ο Ideker υπογράμμισε ότι τα μοντέλα Τεχνητής Νοημοσύνης μπορούν να ενισχύσουν την κλινική αξία της αλληλούχισης γονιδιώματος πέρα από τους γνωστούς δείκτες οδηγώντας σε πιο ολοκληρωμένη ογκολογική προσέγγιση.
Η ομάδα ελπίζει ότι η προσέγγιση θα συμβάλει στη βελτίωση των θεραπευτικών επιλογών μέσω πιο ακριβούς κατηγοριοποίησης ασθενών ενώ σχεδιάζει την ενσωμάτωση διεθνών βάσεων δεδομένων γονιδιώματος καρκίνου καθώς και κλινικών πληροφοριών από ηλεκτρονικούς φακέλους υγείας για περαιτέρω εκπαίδευση και βελτιστοποίηση του μοντέλου με στόχο τη μεταφορά του σε καθημερινή κλινική χρήση υποστηρίζοντας την εξατομικευμένη ιατρική στην ογκολογία ακριβείας και ενισχύοντας την πρόγνωση της ανταπόκρισης σε θεραπείες καρκίνου.
