با بیش از 200 نوع سرطان و هر سرطان به طور جداگانه منحصر به فرد، تلاش های مداوم برای توسعه درمان های انکولوژی دقیق همچنان دلهره آور است. بیشتر تمرکز بر روی توسعه سنجش‌ها یا تجزیه و تحلیل‌های توالی‌یابی ژنتیکی برای شناسایی جهش‌ها در ژن‌های محرک سرطان و سپس تلاش برای تطبیق درمان‌هایی بوده است که ممکن است علیه این جهش‌ها کار کنند.
اما بسیاری از بیماران سرطانی، اگر نه بیشتر آنها، از این درمان‌های هدفمند اولیه بهره نمی‌برند. در یک مطالعه جدید منتشر شده در مجله Nature Cancer ، نویسنده اول سانجو سینها، دکترا، استادیار برنامه درمان مولکولی سرطان در Sanford Burnham Prebys، با نویسندگان ارشد Eytan Ruppin، MD، PhD، و Alejandro Schaffer، PhD، در National موسسه سرطان، بخشی از موسسه ملی بهداشت (NIH) – و همکارانش – اولین خط لوله محاسباتی در نوع خود را برای پیش‌بینی سیستماتیک پاسخ بیمار به داروهای سرطان در وضوح تک سلولی توصیف می‌کنند.
این رویکرد جدید مبتنی بر هوش مصنوعی که برنامه‌ریزی مبتنی بر بیان تک سلولی شخصی برای درمان‌ها در سرطان‌شناسی یا PERCEPTION نامیده می‌شود، عمیق‌تر به کاربرد ترنسکریپتومیکس می‌پردازد – مطالعه عوامل رونویسی، مولکول‌های RNA پیام‌رسان بیان‌شده توسط ژن‌هایی که DNA را حمل و تبدیل می‌کنند. اطلاعات در عمل
تومور یک جانور پیچیده و در حال تکامل است. استفاده از رزولوشن تک سلولی می تواند به ما اجازه دهد تا با هر دوی این چالش ها مقابله کنیم. PERCEPTION امکان استفاده از اطلاعات غنی در omics تک سلولی را برای درک ساختار کلونال تومور و نظارت بر ظهور مقاومت فراهم می کند. (در زیست شناسی، omics به مجموع اجزای درون یک سلول اشاره دارد.)
سینها می‌گوید: «توانایی نظارت بر ظهور مقاومت هیجان‌انگیزترین بخش برای من است. این پتانسیل را دارد که به ما اجازه دهد تا با تکامل سلول های سرطانی سازگار شویم و حتی استراتژی درمانی خود را اصلاح کنیم.
سینها و همکارانش از یادگیری انتقالی – شاخه ای از هوش مصنوعی – برای ساختن PERCEPTION استفاده کردند.
«داده‌های تک سلولی محدود از کلینیک‌ها بزرگترین چالش ما بود. یک مدل هوش مصنوعی برای درک یک بیماری به مقادیر زیادی داده نیاز دارد، برخلاف اینکه ChatGPT به مقادیر عظیمی از داده های متنی از اینترنت نیاز دارد.
PERCEPTION از بیان ژن توده منتشر شده از تومورها برای پیش‌آموزش مدل‌های خود استفاده می‌کند. سپس، داده‌های تک سلولی از رده‌های سلولی و بیماران، هرچند محدود، برای تنظیم مدل‌ها استفاده شد.
PERCEPTION با پیش‌بینی پاسخ به تک‌تراپی و درمان ترکیبی در سه کارآزمایی بالینی مستقل و اخیراً منتشر شده برای سرطان مولتیپل میلوما، پستان و ریه با موفقیت تأیید شد.
در هر مورد، PERCEPTION به درستی بیماران را به دو دسته‌های پاسخ‌دهنده و غیرپاسخ‌دهنده طبقه‌بندی کرد. در سرطان ریه، حتی با پیشرفت بیماری، مقاومت دارویی را به تصویر کشید، یک کشف قابل توجه با پتانسیل بسیار زیاد.
سینها می گوید که PERCEPTION برای درمانگاه ها آماده نیست، اما این رویکرد نشان می دهد که اطلاعات تک سلولی می تواند برای هدایت درمان استفاده شود. او امیدوار است که پذیرش این فناوری در کلینیک ها را تشویق کند تا داده های بیشتری تولید کند، که می تواند برای توسعه بیشتر و اصلاح فناوری برای استفاده بالینی استفاده شود.
سینها می‌گوید: «کیفیت پیش‌بینی با کیفیت و کمیت داده‌هایی که پایه و اساس آن هستند افزایش می‌یابد. هدف ما ایجاد یک ابزار بالینی است که بتواند پاسخ درمانی بیماران سرطانی را به روشی سیستماتیک و مبتنی بر داده ها پیش بینی کند. ما امیدواریم که این یافته‌ها زودتر به داده‌های بیشتر و چنین مطالعات بیشتری کمک کند.»
– این بیانیه مطبوعاتی در ابتدا در وب سایت Sanford Burnham Prebys منتشر شد و برای سبک و وضوح