Künstliche Intelligenz sagt Reaktion auf Krebstherapie anhand von Daten aus jeder Tumorzelle voraus

Angesichts von mehr als 200 Krebsarten und jedem einzelnen Einzelfall bleiben die laufenden Bemühungen zur Entwicklung präziser onkologischer Behandlungen eine Herausforderung. Der Schwerpunkt liegt auf der Entwicklung genetischer Tests zur Identifizierung von Mutationen in Krebstreibergenen und der Identifizierung geeigneter Behandlungen gegen diese Mutationen.

Viele, wenn nicht die meisten Krebspatienten profitieren jedoch nicht wesentlich von diesen frühzeitigen zielgerichteten Therapien. In der neuen Studie, die in Nature Cancer veröffentlicht wurde, beschreiben Erstautor Sanju Sinha, Ph.D., Assistenzprofessor im Molecular Therapeutics Program in Cancer am Sanford Burnham Prebys, zusammen mit den Hauptautoren Eitan Ruppin, MD, PhD, und Alejandro Schaffer, PhD, vom National Cancer Institute, Teil der National Institutes of Health (NIH), und Kollegen eine einzigartiges Computersystem zur systematischen Vorhersage der Patientenreaktion auf Krebsmedikamente auf Einzelzellebene.

Der neue, auf künstlicher Intelligenz basierende Ansatz mit dem Namen Personalized Treatment Planning in Oncology Based on Single-Cell Transcript Expression (PERCEPTION) befasst sich mit der Untersuchung der Transkriptomik – der Untersuchung von Transkriptionsfaktoren, den mRNA-Molekülen, die von Genen exprimiert werden und DNA-Informationen in Aktion umsetzen.

„Ein Tumor ist ein komplexer und sich ständig verändernder Organismus. Durch die Verwendung der Einzelzellauflösung können wir beide Probleme lösen“, sagt Sinha. „PERCEPTION ermöglicht die Verwendung umfangreicher Informationen aus der Omexis einzelner Zellen, um die klonale Tumorarchitektur zu verstehen und die Entstehung von Resistenzen zu überwachen.“ (In der Biologie bezieht sich Omexis auf die Summe der Bestandteile einer Zelle.)

Sinha sagt: „Die Fähigkeit, die Entstehung von Resistenzen zu überwachen, ist für mich der aufregendste Teil. Dadurch könnten wir uns möglicherweise an die Evolution von Krebszellen anpassen und sogar unsere Behandlungsstrategie ändern.“

Sinha und seine Kollegen nutzten Transferlernen, einen Zweig der KI, um PERCEPTION zu entwickeln.

„Die begrenzten Zelldaten aus Kliniken waren unsere größte Herausforderung. KI-Modelle benötigen große Datenmengen, um Krankheiten zu verstehen, genau wie ChatGPT riesige Mengen an Textdaten aus dem Internet benötigt", erklärt Sinha.

PERCEPTION verwendet veröffentlichte Massengenexpressionsdaten von Tumoren, um seine Modelle vorzutrainieren. Als nächstes wurden Daten auf Einzelzellebene von Zelllinien und Patienten, obwohl begrenzt, verwendet, um die Modelle zu optimieren.

PERCEPTION wurde erfolgreich bei der Vorhersage der Reaktion auf Monotherapie und Kombinationstherapie in drei unabhängigen, kürzlich veröffentlichten klinischen Studien zu multiplem Myelom, Brust- und Lungenkrebs validiert. In jedem Fall stratifizierte PERCEPTION die Patienten korrekt in Responder und Non-Responder. Bei Lungenkrebs dokumentierte er sogar die Entwicklung einer Arzneimittelresistenz im Verlauf der Krankheit, was eine bedeutende Entdeckung mit großem Potenzial ist.

Sinha sagt, PERCEPTION sei noch nicht für den Einsatz in der Klinik bereit, aber der Ansatz zeige, dass Informationen auf Einzelzellebene zur Steuerung der Behandlung verwendet werden können. Er hofft, die Einführung dieser Technologie in Kliniken zu fördern, um mehr Daten zu generieren, die zur Weiterentwicklung und Verbesserung der Technologie für den klinischen Einsatz.

„Die Qualität der Prognose verbessert sich mit der Qualität und Quantität der Daten, auf denen sie basiert“, sagt Sinha. „Unser Ziel ist es, ein klinisches Tool zu entwickeln, mit dem sich die Behandlungsreaktion bei einzelnen Krebspatienten systematisch und datengesteuert vorhersagen lässt. Wir hoffen, dass diese Erkenntnisse in naher Zukunft zu weiteren Daten und ähnlichen Studien führen werden.“