Trí tuệ nhân tạo dự đoán phản ứng với liệu pháp điều trị ung thư dựa trên dữ liệu từ từng tế bào khối u

Với hơn 200 loại ung thư và mỗi trường hợp là duy nhất, những nỗ lực liên tục để phát triển các phương pháp điều trị ung thư chính xác vẫn còn nhiều thách thức. Trọng tâm là phát triển các xét nghiệm di truyền để xác định các đột biến trong gen điều khiển ung thư và điều chỉnh các phương pháp điều trị để nhắm mục tiêu vào các đột biến này.

Tuy nhiên, nhiều bệnh nhân ung thư, nếu không muốn nói là hầu hết, không được hưởng lợi đáng kể từ các liệu pháp nhắm mục tiêu sớm này. Trong một nghiên cứu mới được công bố trên tạp chí Nature Cancer, tác giả đầu tiên là Tiến sĩ Sanju Sinha, phó giáo sư tại Chương trình Liệu pháp Ung thư Phân tử tại Sanford Burnham Prebys, cùng với các tác giả chính là Tiến sĩ Eitan Ruppin và Tiến sĩ Alejandro Schaffer thuộc Viện Ung thư Quốc gia, một bộ phận của Viện Y tế Quốc gia (NIH), và các đồng nghiệp đã mô tả một hệ thống tính toán độc đáo để dự đoán một cách có hệ thống cách bệnh nhân sẽ phản ứng với thuốc điều trị ung thư ở cấp độ tế bào đơn lẻ.

Được gọi là KẾ HOẠCH ĐIỀU TRỊ UNG THƯ CÁ NHÂN DỰA TRÊN SỰ BIỂU HIỆN BẢN SAO CỦA TẾ BÀO ĐƠN (NHẬN THỨC), phương pháp tiếp cận mới hỗ trợ AI đi sâu vào nghiên cứu phiên mã học—nghiên cứu về các yếu tố phiên mã, các phân tử mRNA được biểu hiện bởi gen và dịch thông tin DNA thành hành động.

"Khối u là những sinh vật phức tạp và liên tục thay đổi. Sử dụng giải pháp phân giải tế bào đơn lẻ cho phép chúng tôi giải quyết cả hai thách thức này", Sinha nói. "PERCEPTION cho phép chúng tôi sử dụng thông tin phong phú từ omexic tế bào đơn lẻ để hiểu cấu trúc vô tính của khối u và theo dõi sự xuất hiện của khả năng kháng thuốc". (Trong sinh học, omexic đề cập đến tổng số các bộ phận bên trong một tế bào.)

Sinha cho biết: "Khả năng theo dõi sự xuất hiện của khả năng kháng thuốc là phần thú vị nhất đối với tôi. Nó có khả năng cho phép chúng ta thích nghi với sự tiến hóa của tế bào ung thư và thậm chí thay đổi chiến lược điều trị của chúng ta."

Sinha và các đồng nghiệp đã sử dụng phương pháp học chuyển giao, một nhánh của AI, để tạo ra NHẬN THỨC.

"Thách thức chính của chúng tôi là dữ liệu tế bào đơn lẻ hạn chế từ các phòng khám. Các mô hình AI cần lượng dữ liệu lớn để hiểu về bệnh, cũng giống như ChatGPT cần lượng dữ liệu văn bản khổng lồ từ internet", Sinha giải thích.

PERCEPTION sử dụng dữ liệu biểu hiện gen khối lượng lớn đã công bố từ khối u để huấn luyện trước các mô hình của mình. Sau đó, dữ liệu cấp độ tế bào đơn lẻ từ các dòng tế bào và bệnh nhân, mặc dù có hạn chế, đã được sử dụng để điều chỉnh các mô hình.

PERCEPTION đã được xác nhận thành công trong việc dự đoán phản ứng với liệu pháp đơn trị và liệu pháp kết hợp trong ba thử nghiệm lâm sàng độc lập, mới được công bố gần đây về bệnh đa u tủy, ung thư vú và ung thư phổi. Trong mỗi trường hợp, PERCEPTION phân tầng chính xác bệnh nhân thành những người đáp ứng và không đáp ứng. Trong ung thư phổi, nó thậm chí còn nắm bắt được sự phát triển của tình trạng kháng thuốc khi bệnh tiến triển, một phát hiện quan trọng có tiềm năng lớn.

Sinha cho biết PERCEPTION vẫn chưa sẵn sàng để sử dụng trong phòng khám, nhưng cách tiếp cận này cho thấy thông tin ở cấp độ tế bào riêng lẻ có thể được sử dụng để hướng dẫn điều trị. Ông hy vọng sẽ khuyến khích việc áp dụng công nghệ này trong các phòng khám để tạo ra nhiều dữ liệu hơn có thể được sử dụng để phát triển và cải thiện công nghệ hơn nữa cho mục đích sử dụng lâm sàng.

"Chất lượng dự đoán được cải thiện theo chất lượng và số lượng dữ liệu mà nó dựa trên", Sinha nói. "Mục tiêu của chúng tôi là tạo ra một công cụ lâm sàng có thể dự đoán phản ứng điều trị một cách có hệ thống và dựa trên dữ liệu ở từng bệnh nhân ung thư. Chúng tôi hy vọng rằng những phát hiện này sẽ thúc đẩy nhiều dữ liệu và nghiên cứu tương tự hơn trong tương lai gần".