Nuove pubblicazioni
L'intelligenza artificiale prevede la risposta alla terapia antitumorale in base ai dati di ciascuna cellula tumorale
Ultima recensione: 02.07.2025
Tutti i contenuti di iLive sono revisionati o verificati da un punto di vista medico per garantire la massima precisione possibile.
Abbiamo linee guida rigorose in materia di sourcing e colleghiamo solo a siti di media affidabili, istituti di ricerca accademici e, ove possibile, studi rivisti dal punto di vista medico. Nota che i numeri tra parentesi ([1], [2], ecc.) Sono link cliccabili per questi studi.
Se ritieni che uno qualsiasi dei nostri contenuti sia impreciso, scaduto o comunque discutibile, selezionalo e premi Ctrl + Invio.
Con oltre 200 tipi di cancro e con ogni caso unico, gli sforzi in corso per sviluppare trattamenti di precisione contro il cancro rimangono impegnativi. L'obiettivo è sviluppare test genetici per identificare mutazioni nei geni che causano il cancro e personalizzare i trattamenti per colpire queste mutazioni.
Tuttavia, molti, se non la maggior parte, dei pazienti oncologici non traggono benefici significativi da queste terapie mirate precoci. In un nuovo studio pubblicato su Nature Cancer, il primo autore Sanju Sinha, PhD, professore associato presso il Molecular Cancer Therapy Program presso il Sanford Burnham Prebys, insieme agli autori principali Eitan Ruppin, MD, PhD, e Alejandro Schaffer, PhD, del National Cancer Institute, parte dei National Institutes of Health (NIH), e colleghi descrivono un sistema computazionale unico per prevedere sistematicamente la risposta dei pazienti ai farmaci antitumorali a livello di singola cellula.
Chiamato PIANIFICAZIONE PERSONALIZZATA DEL TRATTAMENTO ONCOLOGICO BASATA SULL'ESPRESSIONE TRANCIPALE DI SINGOLE CELLULE (PERCEZIONE), il nuovo approccio basato sull'intelligenza artificiale approfondisce la trascrittomica, ovvero lo studio dei fattori di trascrizione, molecole di mRNA espresse dai geni che traducono le informazioni del DNA in azioni.
"I tumori sono organismi complessi e in continua evoluzione. L'utilizzo della risoluzione a livello di singola cellula ci permette di affrontare entrambe queste sfide", afferma Sinha. "PERCEPTION ci permette di utilizzare le ricche informazioni provenienti dagli omessici a livello di singola cellula per comprendere l'architettura clonale di un tumore e monitorare l'insorgenza di resistenza". (In biologia, l'omessica si riferisce alla somma delle parti all'interno di una cellula.)
Sinha afferma: "La capacità di monitorare l'insorgenza della resistenza è per me la parte più entusiasmante. Ha il potenziale di consentirci di adattarci all'evoluzione delle cellule tumorali e persino di modificare la nostra strategia terapeutica".
Sinha e i suoi colleghi hanno utilizzato l'apprendimento per trasferimento, una branca dell'intelligenza artificiale, per creare PERCEPTION.
"La nostra sfida principale era la limitata disponibilità di dati monocellulari provenienti dalle cliniche. I modelli di intelligenza artificiale necessitano di grandi quantità di dati per comprendere la malattia, proprio come ChatGPT necessita di enormi quantità di dati testuali da Internet", spiega Sinha.
PERCEPTION utilizza dati pubblicati sull'espressione genica in massa provenienti da tumori per pre-addestrare i suoi modelli. Successivamente, i dati a livello di singola cellula provenienti da linee cellulari e pazienti, sebbene limitati, sono stati utilizzati per affinare i modelli.
PERCEPTION è stato validato con successo nel predire la risposta alla monoterapia e alla terapia di combinazione in tre studi clinici indipendenti, pubblicati di recente, su mieloma multiplo, carcinoma mammario e carcinoma polmonare. In ogni caso, PERCEPTION ha stratificato correttamente i pazienti in responder e non responder. Nel carcinoma polmonare, ha persino rilevato lo sviluppo di resistenza ai farmaci con la progressione della malattia, un risultato significativo e di grande potenziale.
Sinha afferma che PERCEPTION non è ancora pronto per l'uso clinico, ma l'approccio dimostra che le informazioni a livello di singola cellula possono essere utilizzate per orientare il trattamento. Spera di incoraggiare l'adozione della tecnologia in ambito clinico per generare più dati utilizzabili per sviluppare e migliorare ulteriormente la tecnologia per l'uso clinico.
"La qualità della previsione migliora con la qualità e la quantità dei dati su cui si basa", afferma Sinha. "Il nostro obiettivo è creare uno strumento clinico in grado di prevedere in modo sistematico e basato sui dati la risposta al trattamento nei singoli pazienti oncologici. Ci auguriamo che questi risultati stimolino la raccolta di ulteriori dati e studi simili nel prossimo futuro."