AI combină date de la mai multe platforme pentru a identifica potențiale ținte terapeutice.
O echipă de oameni de știință din Statele Unite, Franța și Italia a dezvoltat un algoritm robust de învățare automată care descoperă ținte potențiale pentru tratarea tumorilor cerebrale agresive, potrivit unui studiu publicat pe 2 februarie.
Studiul s-a concentrat pe Glioblastomul multiform (GBM), un cancer cerebral cu creștere rapidă, agresiv și de obicei fatal, originar din celulele gliale, celule care oferă sprijin și protecție celulelor nervoase. Glioblastomul este cel mai frecvent și mai agresiv tip de tumoare malignă a creierului și are adesea un prognostic prost.
Deși multe ținte potențiale pentru tratamentul cancerului au fost identificate prin proteogenomică (studiul proteinelor și genomului) în tumorile umane, aceste informații nu s-au dovedit încă utile pentru personalizarea tratamentului cancerului.
Oamenii de știință au analizat datele proteogenomice printr-un algoritm de învățare automată numit Substrate PHosphosite-based Inference for Network of KinaseS (SPHINKS) pentru a identifica cele mai active două kinaze (enzime), PKCδ și ADN-PK denumite „maestre kinaze”.
Modelele derivate de la pacient au arătat că PKCδ joacă un rol crucial în subtipurile de glioblastom caracterizate prin metabolism și răspuns la tratamentele care vizează căile metabolice.
ADN-PK joacă un rol semnificativ într-un alt subtip de glioblastom caracterizat prin capacitatea sa de a produce rapid celule noi și de a se dezvolta în diferite tipuri de celule. Prin urmare, țintirea acestor proteine poate fi eficientă ca terapie pentru glioblastom.
Algoritmul dezvoltat generează un set complet de interacțiuni biologice pentru a identifica kinaze puternice care provoacă creștere anormală și rezistență la tratament în fiecare subtip de glioblastom. Deoarece numai informațiile ADN s-au dovedit insuficiente în identificarea vulnerabilităților tumorilor și a mecanismelor moleculare care conduc la boala fiecărui pacient, acest studiu poate ajuta la reducerea decalajului prin furnizarea de date mai cuprinzătoare.
Pacienții pot fi clasificați în funcție de gene comune, proteine, molecule de grăsime, epigenetică, metaboliți și alte caracteristici biologice.
Pentru a valida descoperirile modelului derivat de la pacient, oamenii de știință au folosit mostre de pacienți pentru a-și crește „avatarurile tumorale” în laborator pentru a demonstra că medicamentele care vizează activitatea kinazelor principale pot distruge creșterea tumorii.
În plus, algoritmul este suficient de matur pentru a fi integrat în orice laborator de patologie moleculară și a fost furnizat pentru utilizare clinică printr-un portal web.
Informațiile Omics pot fi importate în portal și informațiile de clasificare pot fi obținute pentru mai multe tumori, ușor de aplicat în îngrijirea pacientului.
Deși instrumentul de învățare automată a fost dezvoltat pentru glioblastomul multiform, acesta poate fi folosit și pentru tumorile de sân, plămâni și cerebrale pediatrice. Aceleași kinaze master s-au dovedit a fi ținte terapeutice acționabile pentru aceste tipuri de cancer. Rezultatele sunt suficient de promițătoare pentru a motiva echipa să efectueze un nou tip de studiu clinic.
În ciuda numeroaselor terapii medicamentoase, prognosticul glioblastomului a cunoscut o mică îmbunătățire de-a lungul anilor, cu rate de supraviețuire sub zece procente. Cu toate acestea, concluziile optimiste ale acestui studiu și ale unor studii similare pot ajuta medicii să reducă decalajele către un tratament și o îngrijire mai bună, având un impact semnificativ asupra sănătății publice.
Studiul a fost o colaborare între cercetători de la Institutul de Genetică a Cancerului, Universitatea Columbia și Sylvester Comprehensive Cancer Center, Universitatea din Miami, Școala de Medicină Miller.
Studiul a fost publicat în Journal Nature Cancer.
Articol de Răzvan Lupu
