W badaniu opublikowanym w Odkrycie rakanaukowcy ze Szkoły Medycznej Uniwersytetu Kalifornijskiego w San Diego wykorzystali algorytm uczenia maszynowego, aby stawić czoła jednemu z największych wyzwań stojących przed badaczami nowotworów: przewidywaniu, kiedy rak będzie odporny na chemioterapię.

Wszystkie komórki, w tym komórki nowotworowe, wykorzystują złożoną maszynerię molekularną do replikacji DNA w ramach normalnego podziału komórki. Większość chemioterapii działa poprzez zakłócanie mechanizmu replikacji DNA w szybko dzielących się komórkach nowotworowych. Choć naukowcy zdają sobie sprawę, że skład genetyczny nowotworu w dużym stopniu wpływa na jego specyficzną odpowiedź na lek, ogromna liczba mutacji występujących w nowotworach sprawia, że ​​przewidywanie lekooporności stanowi wyzwanie.

Nowy algorytm pokonuje tę barierę, badając, w jaki sposób liczne mutacje genetyczne wspólnie wpływają na reakcję nowotworu na leki utrudniające replikację DNA.

W szczególności przetestowali swój model na nowotworach raka szyjki macicy, skutecznie prognozując reakcję na cisplatynę, jeden z najpopularniejszych leków stosowanych w chemioterapii. Za pomocą modelu udało się zidentyfikować nowotwory o największym ryzyku oporności na leczenie, a także zidentyfikować znaczną część mechanizmów molekularnych powodujących oporność na leczenie.

„Klinicyści byli wcześniej świadomi kilku indywidualnych mutacji związanych z opornością na leczenie, ale te izolowane mutacje zwykle nie miały istotnej wartości predykcyjnej. Powodem jest to, że znacznie większa liczba mutacji może kształtować odpowiedź na leczenie nowotworu, niż wcześniej sądzono” – Trey Wyjaśnił dr Ideker, profesor na Wydziale Medycyny Uniwersytetu Kalifornijskiego w San Diego.

„Sztuczna inteligencja wypełnia tę lukę w naszym rozumieniu, umożliwiając nam jednoczesne analizowanie złożonego zestawu tysięcy mutacji”.

Jednym z wyzwań związanych ze zrozumieniem reakcji nowotworów na leki jest nieodłączna złożoność replikacji DNA – mechanizmu, na który ukierunkowane jest wiele leków przeciwnowotworowych.

„Setki białek współpracują ze sobą w skomplikowanych układach, aby replikować DNA” – zauważył Ideker. „Mutacje w dowolnej części tego układu mogą zmienić reakcję całego guza na chemioterapię”.

Naukowcy skupili się na standardowym zestawie 718 genów powszechnie stosowanych w klinicznych testach genetycznych do klasyfikacji nowotworów, wykorzystując mutacje w obrębie tych genów jako początkowe dane wejściowe do swojego modelu uczenia maszynowego. Po przeszkoleniu go na podstawie publicznie dostępnych danych dotyczących reakcji na leki model wskazał 41 zespołów molekularnych – grup współpracujących białek – w których zmiany genetyczne wpływają na skuteczność leku.

„Rak to choroba sieciowa, na którą wpływa wiele wzajemnie powiązanych elementów, ale poprzednie modele uczenia maszynowego służące do przewidywania oporności na leczenie nie zawsze to odzwierciedlają” – stwierdził Ideker. „Zamiast skupiać się na pojedynczym genie lub białku, nasz model ocenia szersze sieci biochemiczne niezbędne do przeżycia raka”.

Po przeszkoleniu modelu naukowcy poddali go testowi na raku szyjki macicy, w przypadku którego około 35% guzów utrzymuje się po leczeniu. Model był w stanie dokładnie zidentyfikować nowotwory podatne na terapię, co powiązano z lepszymi wynikami leczenia pacjentów. Model skutecznie wskazał także guzy, które prawdopodobnie będą oporne na leczenie.

Co więcej, poza prognozowaniem odpowiedzi na leczenie, model pomógł rzucić światło na proces decyzyjny, identyfikując zespoły białkowe odpowiedzialne za oporność na leczenie raka szyjki macicy. Naukowcy podkreślają, że ten aspekt modelu – umiejętność interpretacji jego rozumowania – jest kluczem do sukcesu modelu, a także do budowy godnych zaufania systemów AI.

„Odkrycie procesu decyzyjnego modelu sztucznej inteligencji jest kluczowe, czasem tak samo ważne jak samo przewidywanie” – powiedział Ideker. „Przejrzystość naszego modelu jest jedną z jego mocnych stron, po pierwsze dlatego, że buduje zaufanie do modelu, a po drugie dlatego, że każdy ze zidentyfikowanych przez nas zespołów molekularnych staje się potencjalnym nowym celem chemioterapii. Jesteśmy optymistami, że nasz model będzie miał szerokie zastosowanie nie tylko w ulepszaniu obecnych metod leczenia raka, ale także w opracowywaniu pionierskich nowych.”