Sztuczna inteligencja w onkologii: Jak mutacje genetyczne mogą pomóc w personalizacji terapii nowotworów

Przełomowe badanie prowadzone przez dr Ruishan Liu, na Uniwersytecie Południowej Kalifornii (USC), ujawniło, w jaki sposób określone mutacje genetyczne wpływają na wyniki leczenia nowotworów. Odkrycia te mogą pomóc lekarzom w skuteczniejszym dobieraniu terapii dla pacjentów. Było to największe tego typu badanie, obejmujące ponad 78 000 pacjentów onkologicznych z 20 różnych typów nowotworów, leczonych immunoterapią, chemioterapią oraz terapiami celowanymi.

Korzystając z zaawansowanej analizy komputerowej, naukowcy zidentyfikowali niemal 800 mutacji genetycznych bezpośrednio wpływających na przeżycie pacjentów. Odkryto również 95 genów istotnie związanych z rokowaniem w nowotworach takich jak rak piersi, jajnika, skóry oraz nowotwory przewodu pokarmowego.

– Zrozumienie, w jaki sposób różne mutacje wpływają na odpowiedź na leczenie, pozwala lekarzom wybierać najskuteczniejsze terapie – powiedziała dr Ruishan Liu.

Dzięki tym odkryciom zespół naukowców opracował narzędzie oparte na sztucznej inteligencji, które przewiduje reakcję pacjentów z zaawansowanym rakiem płuca na immunoterapię.

– Te odkrycia podkreślają, jak ważną rolę w personalizacji leczenia nowotworów odgrywa profilowanie genetyczne – dodała Liu. – Dzięki lepszemu zrozumieniu wpływu mutacji na skuteczność terapii można unikać nieskutecznych metod leczenia i skupić się na tych, które mają największe szanse pomóc pacjentowi.

Opublikowane w Nature Communications badanie podkreśla kluczową rolę genów takich jak TP53, CDKN2A i CDKN2B w kształtowaniu wyników leczenia, potwierdzając te zależności na podstawie rzeczywistych danych klinicznych.

Współautorami badania są Shemra Rizzo, Lisa Wang, Nayan Chaudhary, Sophia Maund oraz Sarah McGough i Ryan Copping z Genentech, Marius Rene Garmhausen z Roche oraz James Zou z Uniwersytetu Stanforda.

Dlaczego mutacje genetyczne są istotne?

Mutacje genetyczne – czyli zmiany w DNA – mogą wpływać na rozwój nowotworów i reakcję pacjenta na leczenie. Część z nich pojawia się losowo, inne są dziedziczone.

W przypadku nowotworów mutacje mogą decydować o agresywności guza oraz skuteczności różnych terapii. Współcześnie badania genetyczne coraz częściej znajdują zastosowanie w onkologii, pomagając lekarzom precyzyjnie dobierać leczenie.

Na przykład pacjenci z niedrobnokomórkowym rakiem płuca (NSCLC) poddawani są badaniom genetycznym w poszukiwaniu mutacji w genach takich jak KRAS, EGFR i ALK, co pomaga określić, czy będą odpowiedni kandydaci do terapii celowanych lub immunoterapii.

Najważniejsze odkrycia badania:

• Mutacje KRAS w zaawansowanym raku płuca były związane z gorszą odpowiedzią na inhibitory EGFR, co sugeruje konieczność poszukiwania alternatywnych metod leczenia.
• Mutacje NF1 poprawiały odpowiedź na immunoterapię, ale jednocześnie pogarszały skuteczność niektórych terapii celowanych, podkreślając ich złożoną rolę.
• Mutacje w szlaku PI3K, który reguluje wzrost komórek, miały różny wpływ w zależności od rodzaju nowotworu, wykazując odmienne reakcje w raku piersi, czerniaku i nowotworach nerek.
• Mutacje w szlakach naprawy DNA poprawiały skuteczność immunoterapii w raku płuca poprzez zwiększenie niestabilności nowotworu.
• Mutacje w szlakach związanych z odpornością były powiązane z wyższymi wskaźnikami przeżycia u pacjentów z rakiem płuca poddawanych immunoterapii, co sugeruje, że nie wszystkie mutacje ograniczają skuteczność leczenia.

Potężne narzędzie predykcyjne

Tradycyjnie leczenie nowotworów opierało się na podejściu „jeden schemat dla wszystkich”, w którym pacjenci z tym samym typem nowotworu otrzymywali standardową terapię. Jednak badanie dr Liu podkreśla znaczenie medycyny precyzyjnej, dostosowującej leczenie do indywidualnego profilu genetycznego pacjenta.

Pomimo ogromnej ilości danych na temat mutacji genetycznych, tylko niewielka ich część została klinicznie zwalidowana, co ogranicza ich rzeczywisty wpływ na wybór terapii. Aby zniwelować tę lukę, zespół Liu wykorzystał uczenie maszynowe do analizy interakcji między różnymi mutacjami i ich wpływu na wyniki leczenia.

– Naszym celem było odkrycie wzorców, które na pierwszy rzut oka mogą być niewidoczne – wyjaśniła Liu.

W tym celu opracowano model Random Survival Forest (RSF) – narzędzie predykcyjne, które pozwala udoskonalić wybór terapii dla pacjentów z rakiem płuca. Integrując duże zbiory danych klinicznych z algorytmami uczenia maszynowego, model zidentyfikował nowe interakcje między mutacjami a metodami leczenia.

– Jedną z kluczowych innowacji było połączenie ogromnych ilości danych z zaawansowanymi metodami statystycznymi i sztucznej inteligencji w celu odkrycia dotąd nieznanych zależności między mutacjami a terapiami – powiedziała Liu.

Chociaż dalsze badania kliniczne są konieczne, dr Liu podkreśla, że to badanie stanowi ważny krok w kierunku bardziej precyzyjnego i spersonalizowanego leczenia nowotworów.

– Nasze badania pokazują, jak nauka obliczeniowa może przekształcać skomplikowane dane kliniczne i genomowe w praktyczne narzędzia wspierające terapię onkologiczną – powiedziała. – To niezwykle satysfakcjonujące, że możemy przyczynić się do rozwoju narzędzi i wiedzy, które bezpośrednio poprawiają opiekę nad pacjentami.

Źródło: Nature Communications, University of Southern California