ปัญญาประดิษฐ์ทำนายการตอบสนองต่อการบำบัดมะเร็งโดยอาศัยข้อมูลจากเซลล์เนื้องอกแต่ละเซลล์

มะเร็งมีมากกว่า 200 ชนิดและแต่ละกรณีก็มีลักษณะเฉพาะตัว ความพยายามอย่างต่อเนื่องในการพัฒนาวิธีการรักษามะเร็งที่แม่นยำจึงยังคงเป็นความท้าทาย จุดเน้นอยู่ที่การพัฒนาการทดสอบทางพันธุกรรมเพื่อระบุการกลายพันธุ์ในยีนตัวการมะเร็งและการปรับแต่งการรักษาเพื่อกำหนดเป้าหมายการกลายพันธุ์เหล่านี้

อย่างไรก็ตาม ผู้ป่วยมะเร็งส่วนใหญ่หรือเกือบทั้งหมดไม่ได้รับประโยชน์จากการบำบัดแบบกำหนดเป้าหมายในระยะเริ่มต้นเหล่านี้มากนัก ในการศึกษาวิจัยใหม่ที่ตีพิมพ์ในวารสารNature Cancerผู้เขียนคนแรก Sanju Sinha, PhD ผู้ช่วยศาสตราจารย์ในโครงการ Molecular Cancer Therapy Program ที่ Sanford Burnham Prebys พร้อมด้วยผู้เขียนหลัก Eitan Ruppin, MD, PhD และ Alejandro Schaffer, PhD จาก National Cancer Institute ซึ่งเป็นส่วนหนึ่งของ National Institutes of Health (NIH) และเพื่อนร่วมงาน ได้บรรยายถึงระบบการคำนวณเฉพาะสำหรับทำนายอย่างเป็นระบบว่าผู้ป่วยจะตอบสนองต่อยาต้านมะเร็งในระดับเซลล์เดี่ยวอย่างไร

แนวทางใหม่ที่ขับเคลื่อนด้วย AI เรียกว่าการวางแผนการรักษามะเร็งเฉพาะบุคคลโดยอิงจากการแสดงออกของทรานซิเพิลของเซลล์เดียว (การรับรู้) แนวทางนี้เจาะลึกเข้าไปในทรานสคริปโตมิกส์ ซึ่งเป็นการศึกษาปัจจัยการถอดรหัส โมเลกุล mRNA ที่แสดงออกโดยยีน และแปลข้อมูล DNA ให้เป็นการกระทำ

“เนื้องอกเป็นสิ่งมีชีวิตที่ซับซ้อนและเปลี่ยนแปลงอยู่ตลอดเวลา การใช้การแยกเซลล์เดี่ยวช่วยให้เราสามารถรับมือกับความท้าทายทั้งสองนี้ได้” ซินฮา กล่าว “การรับรู้ทำให้เราสามารถใช้ข้อมูลอันหลากหลายจากเซลล์เดี่ยวเพื่อทำความเข้าใจโครงสร้างโคลนของเนื้องอกและติดตามการเกิดขึ้นของความต้านทาน” (ในทางชีววิทยา เซลล์เดี่ยวหมายถึงผลรวมของส่วนต่างๆ ภายในเซลล์)

ซินฮา กล่าวว่า “ความสามารถในการติดตามการเกิดขึ้นของการดื้อยาถือเป็นส่วนที่น่าตื่นเต้นที่สุดสำหรับฉัน เพราะมันช่วยให้เราปรับตัวเข้ากับวิวัฒนาการของเซลล์มะเร็งได้ และยังเปลี่ยนกลยุทธ์การรักษาของเราได้อีกด้วย”

Sinha และเพื่อนร่วมงานใช้การเรียนรู้การถ่ายโอน ซึ่งเป็นสาขาหนึ่งของ AI เพื่อสร้างการรับรู้

“ข้อมูลเซลล์เดี่ยวจากคลินิกที่มีจำกัดเป็นความท้าทายหลักของเรา โมเดล AI ต้องใช้ข้อมูลจำนวนมากเพื่อทำความเข้าใจโรค เช่นเดียวกับที่ ChatGPT ต้องใช้ข้อมูลข้อความจำนวนมากจากอินเทอร์เน็ต” Sinha อธิบาย

PERCEPTION ใช้ข้อมูลการแสดงออกของยีนจำนวนมากที่เผยแพร่จากเนื้องอกเพื่อฝึกอบรมโมเดลล่วงหน้า จากนั้นจึงใช้ข้อมูลระดับเซลล์เดี่ยวจากสายเซลล์และผู้ป่วย แม้ว่าจะมีจำกัด แต่ก็ถูกนำมาใช้เพื่อปรับแต่งโมเดล

PERCEPTION ได้รับการพิสูจน์แล้วว่าสามารถทำนายการตอบสนองต่อยาเดี่ยวและยาผสมได้สำเร็จในการทดลองทางคลินิก 3 ครั้งที่เพิ่งตีพิมพ์และเป็นอิสระเกี่ยวกับมะเร็งไมอีโลม่า มะเร็งเต้านม และมะเร็งปอด ในแต่ละกรณี PERCEPTION แบ่งผู้ป่วยออกเป็นกลุ่มที่ตอบสนองต่อยาและกลุ่มที่ไม่ตอบสนองต่อยาได้อย่างถูกต้อง สำหรับมะเร็งปอด PERCEPTION ยังตรวจจับการพัฒนาของการดื้อยาในขณะที่โรคดำเนินไปได้ด้วย ซึ่งถือเป็นการค้นพบที่สำคัญและมีศักยภาพสูง

ซินฮา กล่าวว่า PERCEPTION ยังไม่พร้อมสำหรับการใช้งานในคลินิก แต่แนวทางดังกล่าวแสดงให้เห็นว่าข้อมูลในระดับเซลล์แต่ละเซลล์สามารถนำมาใช้เป็นแนวทางในการรักษาได้ เขาหวังที่จะส่งเสริมการนำเทคโนโลยีนี้มาใช้ในคลินิกเพื่อสร้างข้อมูลเพิ่มเติมที่สามารถใช้ในการพัฒนาและปรับปรุงเทคโนโลยีนี้สำหรับการใช้งานในคลินิกต่อไป

“คุณภาพของการทำนายจะดีขึ้นตามคุณภาพและปริมาณของข้อมูลที่ใช้เป็นพื้นฐาน” ซินฮา กล่าว “เป้าหมายของเราคือการสร้างเครื่องมือทางคลินิกที่สามารถทำนายการตอบสนองต่อการรักษาในผู้ป่วยมะเร็งแต่ละรายได้อย่างเป็นระบบและขับเคลื่อนด้วยข้อมูล เราหวังว่าผลการค้นพบเหล่านี้จะกระตุ้นให้มีข้อมูลและการศึกษาที่คล้ายคลึงกันมากขึ้นในอนาคตอันใกล้นี้”