ИИ помог найти новую мишень для CAR-T-терапии рака
Ученые из Penn Medicine разработали схему на основе искусственного интеллекта, которая помогает искать новые мишени для CAR-T-терапии. В опытах выбранная ИИ мишень GPNMB позволила создать клетки, уничтожавшие опухоли в моделях нескольких типов рака.
Источник: Новости науки.
МОСКВА, 26 июня. /Новости науки/. Американские исследователи создали систему на основе искусственного интеллекта, которая ускоряет поиск мишеней для CAR-T-терапии рака. Статья об этом опубликована в журнале Cell.
CAR-T-терапия — это метод лечения, при котором иммунные клетки пациента изменяют так, чтобы они распознавали и атаковали опухоль. Такой подход уже изменил лечение некоторых видов рака крови. Но для солидных опухолей, то есть плотных опухолей органов и тканей, подобрать безопасную и точную мишень гораздо сложнее.
Главная трудность состоит в поиске антигена — молекулы на поверхности клетки, за которую может «зацепиться» CAR-T-клетка. Хорошая мишень должна часто встречаться на опухолевых клетках и при этом быть минимально представлена в здоровых тканях. Такой поиск требует анализа больших массивов данных и обычно занимает месяцы или годы.
Команда ученых создала схему human-in-the-loop, то есть модель, в которой ИИ работает вместе с экспертами, а не заменяет их. Ученые сначала объединили четыре открытых набора данных секвенирования РНК отдельных клеток при раке кожи. Затем они добавили сведения из публичных баз и отобрали более 10 тыс. потенциальных мишеней.
После этого несколько больших языковых моделей проанализировали список и предложили наиболее перспективные варианты. Чтобы снизить риск ошибок и «галлюцинаций» ИИ, исследователи повторили моделирование 1 тыс. раз. Итоги объединили в короткий список, который затем проверили специалисты.
Лучшим кандидатом стала молекула GPNMB — glycoprotein non-metastatic melanoma protein B. Ученые подтвердили ее присутствие на поверхности опухолевых клеток и создали CAR-T-клетки, нацеленные на GPNMB. В доклинических опытах такие клетки эффективно уничтожали опухоли в моделях меланомы, лейкоза и колоректального рака.
По словам ведущего автора работы Дэниела Бейкера, поиск хорошей мишени для CAR-T похож на поиск иголки в стоге сена, причем этот стог постоянно растет из-за новых данных секвенирования. Он отметил, что большие языковые модели полезны именно потому, что могут быстро просматривать широкий массив информации, тогда как эксперты глубоко оценивают биологический смысл результатов.
Авторы считают, что их подход может сделать поиск мишеней более доступным. Система использует открытые данные, поэтому ее смогут применять не только крупные центры с собственными клиническими образцами и дорогим секвенированием. После настройки весь процесс занял менее нескольких недель.
Исследователи подчеркивают, что схема не привязана только к раку кожи или к одной языковой модели. Ее можно адаптировать для других видов рака и даже для других заболеваний, если есть подходящие биоинформатические данные.
В дальнейшем ученые планируют применить метод к другим опухолям и продолжить доработку CAR-T-клеток против GPNMB. Следующим этапом могут стать дополнительные доклинические исследования и подготовка к возможным клиническим испытаниям.
CAR-T-терапия — это метод лечения, при котором иммунные клетки пациента изменяют так, чтобы они распознавали и атаковали опухоль. Такой подход уже изменил лечение некоторых видов рака крови. Но для солидных опухолей, то есть плотных опухолей органов и тканей, подобрать безопасную и точную мишень гораздо сложнее.
Главная трудность состоит в поиске антигена — молекулы на поверхности клетки, за которую может «зацепиться» CAR-T-клетка. Хорошая мишень должна часто встречаться на опухолевых клетках и при этом быть минимально представлена в здоровых тканях. Такой поиск требует анализа больших массивов данных и обычно занимает месяцы или годы.
Команда ученых создала схему human-in-the-loop, то есть модель, в которой ИИ работает вместе с экспертами, а не заменяет их. Ученые сначала объединили четыре открытых набора данных секвенирования РНК отдельных клеток при раке кожи. Затем они добавили сведения из публичных баз и отобрали более 10 тыс. потенциальных мишеней.
После этого несколько больших языковых моделей проанализировали список и предложили наиболее перспективные варианты. Чтобы снизить риск ошибок и «галлюцинаций» ИИ, исследователи повторили моделирование 1 тыс. раз. Итоги объединили в короткий список, который затем проверили специалисты.
Лучшим кандидатом стала молекула GPNMB — glycoprotein non-metastatic melanoma protein B. Ученые подтвердили ее присутствие на поверхности опухолевых клеток и создали CAR-T-клетки, нацеленные на GPNMB. В доклинических опытах такие клетки эффективно уничтожали опухоли в моделях меланомы, лейкоза и колоректального рака.
По словам ведущего автора работы Дэниела Бейкера, поиск хорошей мишени для CAR-T похож на поиск иголки в стоге сена, причем этот стог постоянно растет из-за новых данных секвенирования. Он отметил, что большие языковые модели полезны именно потому, что могут быстро просматривать широкий массив информации, тогда как эксперты глубоко оценивают биологический смысл результатов.
Авторы считают, что их подход может сделать поиск мишеней более доступным. Система использует открытые данные, поэтому ее смогут применять не только крупные центры с собственными клиническими образцами и дорогим секвенированием. После настройки весь процесс занял менее нескольких недель.
Исследователи подчеркивают, что схема не привязана только к раку кожи или к одной языковой модели. Ее можно адаптировать для других видов рака и даже для других заболеваний, если есть подходящие биоинформатические данные.
В дальнейшем ученые планируют применить метод к другим опухолям и продолжить доработку CAR-T-клеток против GPNMB. Следующим этапом могут стать дополнительные доклинические исследования и подготовка к возможным клиническим испытаниям.
