2026. 05. 28. - 08:20
Összeköti a tumormutációkat a kezelésre adott válasszal egy új mesterséges intelligencia-modell
Megdöbbentő haladást ért el egy új mesterséges intelligencia-modell, amely képes összekapcsolni a rákos tumor mutációkat a kezelésre adott reakcióval.
Egy új mesterséges intelligencia modell összekapcsolja a tumormutációkat a kezelésre adott válasszal.
A San Diegó-i Kaliforniai Egyetem kutatói olyan MI-modellt fejlesztettek ki, amely képes a tumor komplex genetikai profilját olyan előrejelzésekké alakítani, amelyek utalnak arra, hogyan reagálhat a kezelésre a rák.
A MutationProjector elnevezésű modellt több mint 30 ezer tumor genomikai adatain képezték ki 10 szilárd ráktípusban, ami új keretet kínál a rákmutációk és a kezelésre adott választ befolyásoló biológiai útvonalak összekapcsolására.
A modellről a Cancer Discovery folyóiratban jelent meg tanulmány. A kutatók több független betegcsoporton végzett teszteléssel validálták a megközelítést.
„A genetikai szekvenálás már rutinszerű eljárás a rákellátásban, ám még mindig nehezen tudjuk teljes mértékben értelmezni a beteg tumorában található számos mutációt” – mondta Trey Ideker, Ph.D., a Kaliforniai Egyetem San Diegó-i Orvostudományi Karának orvosprofesszora, az Oxfordi Egyetem Big Data Intézetének igazgatója, aki a Kaliforniai Egyetem San Diego-i Jacobs Műszaki Karának kinevezettje is, valamint tagja a Kaliforniai Egyetem San Diego-i Moores Rákközpontjának.
„A MutationProjectorral egy általános célú modell létrehozása volt, amely több tízezer tumor genomból tanul, s ezeket a mutációs mintákat pontosabb előrejelzésekké alakítja a kezelésre adott válaszra vonatkozóan” – magyarázta a szakember.
A rákdiagnózist követően az egyik következő lépés gyakran a genetikai vizsgálat, amely segít az orvosoknak a tumor osztályozásában és a megfelelő kezelések kiválasztásában. A genetikai vizsgálat viszonylag olcsó, gyors és jó eredményekkel rendelkezik azokban az esetekben, amikor validált genetikai biomarkerek állnak rendelkezésre. Olvasd el: A generatív mesterséges intelligencia minden daganat ellen segíthet a gyógyításban
Összeköti a tumormutációkat a kezelésre adott válasszal egy új mesterséges intelligencia-modell
Ezen esetek azonban továbbra is korlátozottak, mivel ez a fajta kezelési rétegződés jelenleg csak kevés ismert biomarkeren alapul. Napjainkban az eseteknek csak nagyjából 8 százalékát sikerül genetikai alapon olyan terápiához illeszteni, amelyet az Egyesült Államok Élelmiszer- és Gyógyszerügyi Hivatala (FDA) jóváhagyott.
Mely kezelések lehetnek a leghatékonyabbak?
A meglévő, kevés biomarkerre támaszkodó megközelítésekkel ellentétben a MutationProjector a tumorban jelen lévő genetikai elváltozások szélesebb kombinációját elemzi.
A modell ezután felhasználja ezen információkat a tumor biológiai állapotának kompakt ábrázolására, segítve a kutatókat annak értelmezésében, hogy mely molekuláris útvonalak zavaródhatnak meg és tágabb értelemben mely kezelések lehetnek a leghatékonyabbak.
Több független rákos betegcsoport – köztük hólyagrákos, tüdőrákos és melanomás betegek – esetében a MutationProjector megfelelt, vagy meghaladta a hagyományos immunterápiás és kemoterápiás kezelésekre adott válasz előrejelzésére szolgáló meglévő módszerek hatékonyságát.
A modell azonosította az ismert és a váratlan biomarkereket is, amelyek a kezelési eredményekkel kapcsolatosak – ez segíthet a genetikai tesztelést és a páciensek rétegzését illetően javítani a jelenlegi megközelítéseket.
Számos rákos mutáció önmagában ritka, ami megnehezíti az egyenkénti vizsgálatukat – hívta fel a figyelmet JungHo Kong PhD, a tanulmány első szerzője, posztdoktori kutató a UC San Diego Orvostudományi Karának Orvostudományi Tanszékén.
„Egy nagyszámú daganatgyűjtemény előzetes betanításával és a molekuláris hálózati ismeretek integrálásával a MutationProjector olyan mintázatokat képes kimutatni, amelyeket a hagyományos biomarker-megközelítésekkel könnyű lenne figyelmen kívül hagyni. Ez lehetőséget ad arra, hogy a mutációk hosszú listáitól a daganat funkcionálisabb megértése felé haladjunk” – magyarázta JungHo Kong.
A kutatók hangsúlyozzák, hogy a modellt nemcsak előrejelzések készítésére tervezték – arra is, hogy betekintést nyújtson abba, miért készülnek ezek az előrejelzések, ami segíthet a biomarkerek és a kezelési stratégiák finomításában.
Ez az értelmezhetőség különösen fontos a precíziós onkológiában, ahol a klinikusoknak meg kell érteniük, hogy a tumor genotípusai hogyan kapcsolódnak a kezelési döntésekhez.
A csapat bízik benne, hogy a modellt további ráktípusokra és adatforrásokra is ki tudja terjeszteni, beleértve a nemzetközi rák genom adatkészleteket és más klinikai információk formáit - ilyen például a képalkotás, a transzkriptomika és az elektronikus egészségügyi dokumentáció.
Ideker megjegyezte: eredményeik arra utalnak, hogy a tumor genom alapmodelljei segíthetnek a szekvenálás klinikai értékének kiterjesztésében néhány jól ismert génen túlra, ami támogathatja a precíziós onkológia átfogóbb és biológiailag megalapozottabb megközelítését.
B.A.
