ИИ помогает найти эффективных убийц раковых клеток

Ученые из международного Центра изучения рака Людвига (Ludwig Cancer Research) разработали мощную модель машинного обучения для выявления иммунных клеток, которые наиболее эффективно уничтожают раковые клетки. Ожидается, что эта разработка поможет в развитии иммунотерапии рака.

Авторы рассказали о своей разработке в журнале Nature Biotechnology. Эту прогностическую модель можно будет использовать для персонализированного лечения при онкологических заболеваниях, адаптируя терапию под уникальный клеточный состав новообразований у каждого отдельно взятого пациента. Ранее мы уже рассказывали о том, как ИИ подбирает эффективное лечение на основе анализа информации о раковых клетка.

Александр Харари (Alexander Harari), руководивший разработкой, отмечает:

Внедрение искусственного интеллекта в клеточную терапию — новое направление. Он может подарить пациентам новые возможности и изменить правила игры.

Интеллектуальная собственность https://www.euroonco.ru

Как используют иммунные клетки для борьбы со злокачественными опухолями, и чем может помочь ИИ?

Клеточная иммунобиологическая терапия рака состоит из нескольких этапов. Врачи берут собственные иммунные клетки пациента, размножают в лаборатории, при необходимости модифицируют, чтобы «обучить» еще эффективнее уничтожать раковые клетки, а затем возвращают в организм.

Чаще всего применяют T-лимфоциты. Те из них, что присутствуют в опухолевой ткани, называются опухоль-инфильтрирующими лимфоцитами (tumor infiltrating lymphocytes, TIL). Однако не все они одинаково эффективно распознают и уничтожают злокачественные клетки.

Александр Харари объясняет:

На самом деле на опухоль реагирует только небольшая их часть. Большинство присутствуют лишь в качестве «свидетелей». Задача, которую мы перед собой поставили, состояла в том, чтобы идентифицировать несколько TIL, у которые есть рецепторы, способные распознавать опухолевые антигены.

Чтобы решить эту задачу, ученые разработали новую прогностическую модель искусственного интеллекта, которую назвали TRTpred. Она умеет ранжировать рецепторы T-лимфоцитов в зависимости от их способности реагировать на опухоль. Для обучения модели TRTpred использовали 235 рецепторов, полученных от пациентов с метастатической меланомой, о которых заранее было известно, реагируют ли они на опухолевые антигены. Затем в программу загрузили информацию о генах T-клеток, чтобы выявить закономерности, отличающие реагирующие на опухолевые антигены лимфоциты от неактивных. Харари объяснил это так:

TRTpred может обучаться на одной популяции T-клеток и находить закономерности, которые затем можно применять по отношению к другим клеточным популяциям. Имея дело с незнакомыми рецепторами лимфоцитов, модель ИИ способна прочитать их транскриптомный профиль и предсказать, будут ли они реагировать на опухолевую ткань.

Искусственный интеллект в действии

Во время «полевых испытаний» модель TRTpred проанализировала опухоль-инфильтрирующие лимфоциты 42 пациентов с меланомами, злокачественными опухолями желудочно-кишечного тракта, легких и молочной железы. Ей удалось верно выявить реагирующие на опухоль рецепторы T-лимфоцитов в 90% случаев. Далее ученые усовершенствовали алгоритм с помощью дополнительного фильтра, чтобы обнаружить T-клетки с высокой авидностью, то есть те, чьи рецепторы наиболее прочно связываются с опухолевыми антигенами.

Харари объясняет:

TRTpred исключительно точно предсказывает, будут ли рецепторы T-клеток реагировать на опухоль или нет. Но некоторые из этих рецепторов связываются с опухолевыми антигенами очень прочно и за счет этого максимально эффективны, в то время как другие ведут себя более «лениво». Отличия «сильных» рецепторов от «слабых» и определяют ключевым образом эффективность терапии.

Исследования показали, что T-клетки, помеченные TRTpred и вторичным алгоритмом как опухоль-реактивные и обладающие более высокой авидностью, чаще обнаруживаются именно в опухолевой ткани, а не окружающей ее структуре, которая называется стромой. Это наблюдение согласуется с результатами предыдущих научных работ, которые показали, что наиболее эффективные T-лимфоциты глубже остальных проникают в опухолевые узлы.

Наконец, чтобы довести методику до совершенства, ученые использовали третий фильтр. Он позволяет сгруппировать рецепторы T-лимфоцитов на основе схожих физико-химических характеристик. При этом предполагалось, что рецепторы из одной группы должны реагировать с одинаковыми опухолевыми антигенами. Такой подход должен помочь в максимально точном нацеливании клеточной иммунобиологической терапии на определенные мишени.

Исследователи объединили модель TRTpred и два фильтра в единую систему, которую назвали MixTRTpred. Оставалось лишь проверить ее в действии, и для этого был проведен эксперимент над мышами, в организм которых подсадили злокачественные опухоли людей. Затем из опухолевой ткани были выделены T-лимфоциты и их рецепторы. Ученые использовали систему MixTRTpred, чтобы выявить рецепторы, которые способны реагировать с опухолевыми антигенами, делают это наиболее эффективно и нацелены на определенные конкретные антигены. T-клетки с этими рецепторами размножили в лаборатории и ввели в организм животных. В итоге лимфоциты эффективно уничтожали опухолевую ткань.

Авторы исследования считают, что их разработки помогут сделать иммунобиологическую терапию с применением TIL более эффективной, заставить ее работать у пациентов, которым она ранее не помогала, и в итоге создать совершенно новый тип T-клеточной терапии при онкологических заболеваниях. Конечно, ИИ не сможет полностью заменить врача: исследования показывают, что в клинической практике люди-специалисты принимают более оптимальные решения по сравнению с машинами. Но это эффективный инструмент, который, при правильном применении может существенно улучшить результаты диагностики и лечения.

Источник: sciencedaily.com.