Использование возможностей ИИ, чтобы узнать больше о смертельных формах рака

[ad_1]


Согласно исследованию, опубликованному 2 февраля, группа ученых из США, Франции и Италии разработала надежный алгоритм машинного обучения, который выявляет потенциальные цели для лечения агрессивных опухолей головного мозга.

Исследование было сосредоточено на мультиформной глиобластоме (GBM), быстрорастущем, агрессивном и обычно смертельном раке головного мозга, происходящем из глиальных клеток — клеток, которые обеспечивают поддержку и защиту нервных клеток. Глиобластома является наиболее распространенным и агрессивным типом злокачественной опухоли головного мозга и часто имеет неблагоприятный прогноз.

Машинное обучение укрепляет многолетние усилия

Хотя многие потенциальные мишени для лечения рака были идентифицированы путем изучения белков и геномов — протеогеномики — в опухолях человека, эта информация еще не доказала свою полезность для персонализации лечения рака.

Ученые проанализировали протеогеномные данные с помощью алгоритма машинного обучения под названием «Вывод на основе субстрата фосфозита для сети киназ S» (SPHINKS), чтобы идентифицировать две наиболее активные киназы (ферменты), PKCδ и ДНК-PK, называемые "мастер киназы."

Модели, полученные от пациентов, показали, что PKCδ играет решающую роль в подтипах глиобластомы, характеризующихся метаболизмом и реакцией на лечение, направленное на метаболические пути.

ДНК-ПК играет важную роль в другом подтипе глиобластомы, характеризующемся ее способностью быстро продуцировать новые клетки и развиваться в различные типы клеток. Следовательно, нацеливание на эти белки может быть эффективным в качестве терапии глиобластомы.

Разработанный алгоритм генерирует полный набор биологических взаимодействий для выявления сильнодействующих киназ, вызывающих аномальный рост и резистентность к лечению в каждом подтипе глиобластомы. Поскольку одной информации о ДНК оказалось недостаточно для выявления уязвимости опухоли и молекулярных механизмов, вызывающих заболевание у каждого пациента, это исследование может помочь заполнить пробел, предоставив более полные данные.

Пациентов можно классифицировать на основе общих генов, белков, молекул жира, эпигенетики, метаболитов и других биологических признаков.

Насколько достоверны выводы?

Чтобы подтвердить результаты модели, полученной от пациентов, ученые использовали образцы пациентов для выращивания своих "аватары опухоли" в лаборатории, чтобы продемонстрировать, что препараты, воздействующие на активность основных киназ, могут подавлять рост опухоли.

Кроме того, алгоритм достаточно зрел, чтобы быть интегрированным в любую лабораторию молекулярной патологии, и был предоставлен для клинического использования через веб-портал. На портал можно импортировать омическую информацию, а информацию о классификации можно получить для множественных опухолей, которая легко применима для лечения пациентов.

Можно ли использовать этот инструмент при других видах рака?

Хотя инструмент машинного обучения был разработан для мультиформной глиобластомы, его также можно использовать для опухолей молочной железы, легких и головного мозга у детей. Было обнаружено, что одни и те же главные киназы являются эффективными терапевтическими мишенями для этих типов рака. Результаты достаточно многообещающие, чтобы побудить команду провести клинические испытания нового типа.

Несмотря на многочисленные медикаментозные методы лечения, прогноз глиобластомы с годами мало улучшился, а выживаемость составляет менее десяти процентов. Однако оптимистичные результаты этого и подобных исследований могут помочь врачам устранить пробелы в улучшении лечения и ухода, что значительно повлияет на общественное здоровье.

Исследование было результатом сотрудничества ученых из Института генетики рака Колумбийского университета и Комплексного онкологического центра Сильвестра Университета Майами, Медицинской школы Миллера. Исследование было опубликовано в журнале Nature Cancer.

Аннотация исследования:

Несмотря на создание множества потенциальных раковых специфических мишеней, протеогеномная характеристика опухолей человека еще не продемонстрировала ценность для точной медицины рака. Интегративная мультиомика с использованием сети машинного обучения идентифицировала главные киназы, ответственные за воздействие на фенотипические признаки подтипов функциональной глиобластомы. В моделях пациентов, соответствующих подтипам, мы утвердили PKCδ и DNA-PK в качестве главных киназ гликолитического/плюриметаболического и пролиферативного/прогениторного подтипов, соответственно, и квалифицировали киназы как мощные и действенные терапевтические мишени, специфичные для подтипа глиобластомы. Подтипы глиобластомы были связаны с клиническими и рентгенологическими характеристиками, ортогонально подтверждены протеомикой, фосфопротеомикой, метаболомикой, липидомикой и ацетиломным анализом, а также резюмированы в педиатрической глиоме, плоскоклеточной карциноме молочной железы и легкого, включая специфичность подтипа PKCδ и активность ДНК-PK. Мы разработали инструмент вероятностной классификации, который оптимально работает с РНК из замороженных и залитых парафином тканей, который можно использовать для оценки связи терапевтического ответа с подтипами глиобластомы и для информирования о выборе пациентов в проспективных клинических испытаниях.

[ad_2]

Source link

(Посещений всего:11 times, 1)

Вячеслав

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Next Post

Крупнейшее в Германии газохранилище остановлено из-за утечки

Сб Фев 4 , 2023
[ad_1] Крупнейшее в Германии газохранилище остановлено из-за утечки. Газохранилище «Астора», крупнейшее хранилище природного газа в Западной Европе, в Редене, Германия, 16 марта 2022 года. «Астора» входит в состав группы «Газпром Германия». Фото: Фабиан Биммер Крупнейшее в Германии газохранилище было закрыто во вторник после обнаружения утечки. Он должен открыться сегодня. В […]
Largest German gas storage facility down after leak

Вам может понравиться