Uwolnienie potencjału spersonalizowanego leczenia nowotworów dzięki sztucznej inteligencji
Konwencjonalne metody leczenia przeciwnowotworowego oparte na chemioterapii zakładają zbliżone podejście do wszystkich pacjentów oraz ich schorzeń. Gdy leczenie staje się nieskuteczne, jak to ma miejsce w przypadku pacjentów z nawrotem lub opornych na leczenie, lekarze mają ograniczone możliwości działania. W większości przypadków nie dysponują bowiem narzędziami pozwalającymi na przewidywanie odpowiedzi pacjentów na zastosowane leczenie. Z tym samym problemem mierzą się koncerny farmaceutyczne, których badania kliniczne kończą się niepowodzeniem z powodu niepełnego zrozumienia czynników wpływających na reakcję pacjentów na substancję leczniczą. Fenotypy kliniczne lub sygnatury genomiczne są co prawda wykorzystywane w celu stratyfikacji pacjentów, ale niekoniecznie mogą posłużyć do przewidywania odpowiedzi na leki. Z tego powodu potrzebne są wiarygodne narzędzia do przewidywania wrażliwości na leki, które pomogą lekarzom i koncernom farmaceutycznym wprowadzać na rynek skuteczniejsze leki dla pacjentów onkologicznych. Co więcej, komórki nowotworowe mają skłonność do wykształcania oporności na leki, co wymaga stosowania kombinacji substancji w celu uzyskania dobrych wyników klinicznych. Określanie skutecznych kombinacji leków zapewniających synergię jest jednak procesem czasochłonnym i często nieprzewidywalnym.
Narzędzia obliczeniowe do spersonalizowanego leczenia nowotworów
W ramach finansowanego przez Europejską Radę ds. Badań Naukowych projektu DrugComb badacze opracowali narzędzia matematyczne i obliczeniowe do identyfikacji i priorytetyzacji skutecznych kombinacji leków dla pacjentów chorych na nowotwory. Ponadto w ramach weryfikacji doświadczalnej narzędzi zespół przeprowadził badania przesiewowe kombinacji leków na komórkach nowotworowych. „Naszym celem było zrozumienie potencjalnych synergii między lekami i zaproponowanie na tej podstawie nowych sposobów leczenia pacjentów chorych na nowotwory”, wyjaśnia koordynator projektu Jing Tang.
Zastosowanie narzędzi sztucznej inteligencji do przewidywania i badania interakcji leków
Naukowcy wykorzystali oparte na sztucznej inteligencji (SI) techniki analizy tekstu w celu wyodrębnienia z literatury naukowej danych dotyczących interakcji między lekiem a jego celem uzyskanych w drodze doświadczeń. Wrażliwość na leki i dane na temat celów leków zostały następnie włączone do portalu danych DrugComb, który zawiera narzędzia do analizy kombinacji leków. W ramach projektu opracowano również narzędzie otwartoźródłowe o nazwie www.synergyfinder.org (SynergyFinder Plus) do badania synergii zatwierdzonych i badanych klinicznie leków na próbkach nowotworów pobranych od pacjentów. Jeśli kombinacja leków działała synergistycznie przeciwko komórkom nowotworowym, ale nie uszkadzała zdrowych komórek, wówczas była uznawana za potencjalnego kandydata. Co więcej, algorytmy oparte na SI pozwoliły naukowcom odkryć powiązania między synergiami leków a genami odpowiedzialnymi za rozwój nowotworów w celu poprawy skuteczności leczenia przy mniejszej liczbie skutków ubocznych.
Wartość dodana SI w przewidywaniu kombinacji leków
Medycyna spersonalizowana w swojej obecnej formie zazwyczaj nie uwzględnia wyjątkowych cech poszczególnych pacjentów. Ponadto większość opcji leczenia obejmuje pojedyncze leki, których skuteczność jest ograniczona ze względu na występowanie lekooporności. „System analizy obliczeniowej DrugComb ma wyjątkowy potencjał, gdyż może prowadzić do nowych, bardziej skutecznych i bezpiecznych metod leczenia w porównaniu z obecnymi monoterapiami cytotoksycznymi”, podkreśla Tang. DrugComb jest pionierskim projektem w kontekście rozwoju narzędzi obliczeniowych do doboru kombinacji leków. Najważniejsza innowacja rozwiązania zaproponowanego przez twórców projektu polega na tym, że łączy ono genomikę z danymi dotyczącymi wrażliwości na leki, dostarczając dzięki temu bardziej kompletne i dynamiczne profile chorób w czasie rzeczywistym. Platforma została z powodzeniem wykorzystana do przewidywania synergistycznych kombinacji leków u pacjentów z białaczką prolimfocytową T i rakiem piersi. Od czasu ukończenia projektu wiele koncernów farmaceutycznych wyraziło zainteresowanie możliwością korzystania z portalu DrugComb na podstawie licencji w celu analizy danych. Zespół rozważa opracowanie komercyjnych wersji oprogramowania z myślą o koncernach farmaceutycznych. Tang myśli o przedsiębiorstwie koncentrującym się na odkrywaniu leków opartym na sztucznej inteligencji, wykorzystując w tym celu bazy danych i narzędzia opracowane w ramach projektu DrugComb w celu zwiększenia efektywności kosztowej i poprawy opieki nad pacjentami.
Słowa kluczowe
DrugComb, nowotwór, SI, sztuczna inteligencja, wrażliwość na leki, farmaceutyczny, narzędzie obliczeniowe, genomika, odpowiedź na lek, medycyna spersonalizowana