ปัญญาประดิษฐ์คาดการณ์การตอบสนองต่อการรักษาโรคมะเร็งโดยอาศัยข้อมูลจากเซลล์เนื้องอกแต่ละเซลล์
ตรวจสอบล่าสุด: 14.06.2024
เนื้อหา iLive ทั้งหมดได้รับการตรวจสอบทางการแพทย์หรือตรวจสอบข้อเท็จจริงเพื่อให้แน่ใจว่ามีความถูกต้องตามจริงมากที่สุดเท่าที่จะเป็นไปได้
เรามีแนวทางการจัดหาที่เข้มงวดและมีการเชื่อมโยงไปยังเว็บไซต์สื่อที่มีชื่อเสียงสถาบันการวิจัยทางวิชาการและเมื่อใดก็ตามที่เป็นไปได้ โปรดทราบว่าตัวเลขในวงเล็บ ([1], [2], ฯลฯ ) เป็นลิงก์ที่คลิกได้เพื่อการศึกษาเหล่านี้
หากคุณรู้สึกว่าเนื้อหาใด ๆ ของเราไม่ถูกต้องล้าสมัยหรือมีข้อสงสัยอื่น ๆ โปรดเลือกแล้วกด Ctrl + Enter
ด้วยโรคมะเร็งมากกว่า 200 ชนิดและแต่ละกรณีที่ไม่ซ้ำกัน ความพยายามอย่างต่อเนื่องในการพัฒนาการรักษามะเร็งวิทยาที่แม่นยำยังคงเป็นสิ่งที่ท้าทาย จุดมุ่งเน้นอยู่ที่การพัฒนาการทดสอบทางพันธุกรรมเพื่อระบุการกลายพันธุ์ของยีนที่ขับเคลื่อนมะเร็ง และระบุการรักษาที่เหมาะสมต่อการกลายพันธุ์เหล่านี้
อย่างไรก็ตาม ผู้ป่วยโรคมะเร็งจำนวนมากหรือส่วนใหญ่ไม่ได้รับประโยชน์อย่างมีนัยสำคัญจากการรักษาแบบกำหนดเป้าหมายตั้งแต่เนิ่นๆ เหล่านี้ ในการศึกษาใหม่ ซึ่งตีพิมพ์ใน Nature Cancer ผู้เขียนคนแรก Sanju Sinha, Ph.D. ผู้ช่วยศาสตราจารย์ในโครงการ Molecular Therapeutics Program in Cancer ที่ Sanford Burnham Prebys ร่วมกับผู้เขียนนำ Eitan Ruppin, MD, PhD และ Alejandro Schaffer, PhD จากสถาบันมะเร็งแห่งชาติ ซึ่งเป็นส่วนหนึ่งของ National Institutes of Health (NIH) และเพื่อนร่วมงานได้บรรยายถึงระบบคอมพิวเตอร์ที่เป็นเอกลักษณ์สำหรับการทำนายผู้ป่วยอย่างเป็นระบบ การตอบสนองต่อยารักษามะเร็งในระดับเซลล์เดียว.
วิธีการใหม่ที่ใช้ปัญญาประดิษฐ์เรียกว่าการวางแผนการรักษาเฉพาะบุคคลในด้านเนื้องอกวิทยาโดยใช้นิพจน์การถอดเสียงเซลล์เดียว (PERCEPTION) โดยเจาะลึกการศึกษาเกี่ยวกับการถอดเสียง ซึ่งเป็นการศึกษาปัจจัยการถอดรหัส โมเลกุล mRNA ที่แสดงออกมาโดยยีนและการแปลความหมาย ข้อมูล DNA สู่การปฏิบัติ
"เนื้องอกเป็นสิ่งมีชีวิตที่ซับซ้อนและเปลี่ยนแปลงอยู่ตลอดเวลา การใช้ความละเอียดของเซลล์เดียวช่วยให้เราสามารถแก้ไขปัญหาทั้งสองนี้ได้" Sinha กล่าว “PERCEPTION ช่วยให้สามารถใช้ข้อมูลที่หลากหลายจากโอเมก้าเซลล์เดียวเพื่อทำความเข้าใจสถาปัตยกรรมของเนื้องอกและติดตามการเกิดขึ้นของการดื้อยา” (ในทางชีววิทยา omexis หมายถึงผลรวมขององค์ประกอบภายในเซลล์)
Sinha กล่าวว่า: "ความสามารถในการติดตามการเกิดขึ้นของการดื้อยาเป็นส่วนที่น่าตื่นเต้นที่สุดสำหรับฉัน ซึ่งมีศักยภาพที่จะทำให้เราปรับตัวเข้ากับวิวัฒนาการของเซลล์มะเร็งและแม้กระทั่งเปลี่ยนกลยุทธ์การรักษาของเรา"
Sinha และเพื่อนร่วมงานใช้ Transfer Learning ซึ่งเป็นสาขาหนึ่งของ AI เพื่อสร้าง PERCEPTION
"ข้อมูลระดับเซลล์จากคลินิกที่มีจำกัดคือความท้าทายหลักของเรา โมเดล AI ต้องการข้อมูลจำนวนมากเพื่อทำความเข้าใจโรค เช่นเดียวกับที่ ChatGPT ต้องการข้อมูลข้อความจำนวนมากจากอินเทอร์เน็ต" Sinha อธิบาย
PERCEPTION ใช้ข้อมูลการแสดงออกของยีนจำนวนมากที่ได้รับการเผยแพร่จากเนื้องอกเพื่อฝึกแบบจำลองล่วงหน้า ต่อไป ข้อมูลระดับเซลล์เดียวจากเซลล์ไลน์และผู้ป่วย แม้ว่าจะมีจำกัด แต่ก็ถูกนำมาใช้เพื่อปรับแต่งแบบจำลอง
PERCEPTION ได้รับการตรวจสอบอย่างประสบความสำเร็จในการทำนายการตอบสนองต่อการบำบัดเดี่ยวและการรักษาแบบผสมผสานในการทดลองทางคลินิกอิสระที่เผยแพร่เมื่อเร็วๆ นี้ 3 รายการเกี่ยวกับมะเร็งไขกระดูก มะเร็งเต้านม และปอด ในแต่ละกรณี PERCEPTION แบ่งผู้ป่วยเป็นผู้เผชิญเหตุและผู้ไม่เผชิญเหตุได้อย่างถูกต้อง สำหรับโรคมะเร็งปอด เขายังบันทึกพัฒนาการของการดื้อยาในขณะที่โรคดำเนินไป ซึ่งเป็นการค้นพบครั้งสำคัญและมีศักยภาพสูง
Sinha กล่าวว่า PERCEPTION ยังไม่พร้อมสำหรับการใช้งานในคลินิก แต่แนวทางดังกล่าวแสดงให้เห็นว่าข้อมูลในระดับเซลล์เดียวสามารถนำมาใช้เป็นแนวทางในการรักษาได้ เขาหวังที่จะสนับสนุนการนำเทคโนโลยีนี้ไปใช้ในคลินิกเพื่อสร้างข้อมูลเพิ่มเติมที่สามารถนำมาใช้ในการพัฒนาและปรับปรุงเทคโนโลยีสำหรับการใช้งานทางคลินิกต่อไปได้
“คุณภาพของการคาดการณ์ดีขึ้นตามคุณภาพและปริมาณของข้อมูลที่ใช้เป็นหลัก” Sinha กล่าว "เป้าหมายของเราคือการสร้างเครื่องมือทางคลินิกที่สามารถคาดการณ์การตอบสนองต่อการรักษาในผู้ป่วยมะเร็งแต่ละรายอย่างเป็นระบบและขับเคลื่อนด้วยข้อมูล เราหวังว่าการค้นพบนี้จะกระตุ้นให้เกิดข้อมูลมากขึ้นและการศึกษาที่คล้ายกันในอนาคตอันใกล้นี้"