Publikasi baru
Kecerdasan buatan memprediksi respons terhadap terapi kanker berdasarkan data dari setiap sel tumor
Terakhir ditinjau: 02.07.2025

Semua konten iLive ditinjau secara medis atau diperiksa fakta untuk memastikan akurasi faktual sebanyak mungkin.
Kami memiliki panduan sumber yang ketat dan hanya menautkan ke situs media terkemuka, lembaga penelitian akademik, dan, jika mungkin, studi yang ditinjau secara medis oleh rekan sejawat. Perhatikan bahwa angka dalam tanda kurung ([1], [2], dll.) Adalah tautan yang dapat diklik untuk studi ini.
Jika Anda merasa salah satu konten kami tidak akurat, ketinggalan zaman, atau dipertanyakan, pilih dan tekan Ctrl + Enter.

Dengan lebih dari 200 jenis kanker dan setiap kasus bersifat unik, upaya berkelanjutan untuk mengembangkan perawatan kanker yang tepat tetap menjadi tantangan. Fokusnya adalah mengembangkan uji genetik untuk mengidentifikasi mutasi pada gen pemicu kanker dan menyesuaikan perawatan untuk menargetkan mutasi ini.
Akan tetapi, banyak, jika tidak sebagian besar, pasien kanker tidak memperoleh manfaat signifikan dari terapi terarah dini ini. Dalam sebuah studi baru yang dipublikasikan di Nature Cancer, penulis pertama Sanju Sinha, PhD, asisten profesor dalam Program Terapi Kanker Molekuler di Sanford Burnham Prebys, bersama dengan penulis utama Eitan Ruppin, MD, PhD, dan Alejandro Schaffer, PhD, dari National Cancer Institute, bagian dari National Institutes of Health (NIH), dan rekan-rekannya menggambarkan sebuah sistem komputasi unik untuk secara sistematis memprediksi bagaimana pasien akan merespons obat kanker pada tingkat sel tunggal.
Disebut PERENCANAAN PERAWATAN ONKOLOGI YANG DIPERSONALISASI BERDASARKAN EKSPRESI TRANSIPEL SEL TUNGGAL (PERSEPSI), pendekatan baru bertenaga AI ini mendalami transkriptomik—studi faktor transkripsi, molekul mRNA yang diekspresikan oleh gen dan menerjemahkan informasi DNA menjadi tindakan.
"Tumor adalah organisme yang kompleks dan terus berubah. Dengan menggunakan resolusi sel tunggal, kita dapat mengatasi kedua tantangan ini," kata Sinha. "PERSEPSI memungkinkan kita menggunakan informasi yang lengkap dari omeksik sel tunggal untuk memahami arsitektur klonal tumor dan memantau munculnya resistensi." (Dalam biologi, omeksik mengacu pada jumlah bagian dalam sel.)
Sinha berkata: "Bagi saya, kemampuan untuk memantau munculnya resistensi adalah bagian yang paling menarik. Kemampuan ini berpotensi memungkinkan kita beradaptasi dengan evolusi sel kanker dan bahkan mengubah strategi pengobatan kita."
Sinha dan rekannya menggunakan pembelajaran transfer, cabang AI, untuk menciptakan PERSEPSI.
"Data sel tunggal yang terbatas dari klinik merupakan tantangan utama kami. Model AI memerlukan data dalam jumlah besar untuk memahami penyakit, sama seperti ChatGPT yang memerlukan data teks dalam jumlah besar dari internet," jelas Sinha.
PERCEPTION menggunakan data ekspresi gen massal yang dipublikasikan dari tumor untuk melatih modelnya terlebih dahulu. Kemudian, data tingkat sel tunggal dari lini sel dan pasien, meskipun terbatas, digunakan untuk menyempurnakan model.
PERCEPTION telah berhasil divalidasi dalam memprediksi respons terhadap monoterapi dan terapi kombinasi dalam tiga uji klinis independen yang baru-baru ini dipublikasikan pada multiple myeloma, kanker payudara, dan kanker paru-paru. Dalam setiap kasus, PERCEPTION dengan tepat mengelompokkan pasien menjadi pasien yang merespons dan pasien yang tidak merespons. Pada kanker paru-paru, ia bahkan menangkap perkembangan resistensi obat seiring perkembangan penyakit, sebuah temuan signifikan dengan potensi besar.
Sinha mengatakan PERCEPTION belum siap digunakan di klinik, tetapi pendekatan tersebut menunjukkan bahwa informasi pada tingkat sel individual dapat digunakan untuk memandu pengobatan. Ia berharap dapat mendorong penerapan teknologi tersebut di klinik untuk menghasilkan lebih banyak data yang dapat digunakan untuk lebih mengembangkan dan meningkatkan teknologi tersebut untuk penggunaan klinis.
"Kualitas prediksi meningkat seiring dengan kualitas dan kuantitas data yang menjadi dasarnya," kata Sinha. "Tujuan kami adalah menciptakan alat klinis yang dapat memprediksi respons pengobatan pada pasien kanker secara sistematis dan berdasarkan data. Kami berharap temuan ini akan mendorong lebih banyak data dan penelitian serupa dalam waktu dekat."