Kecerdasan buatan memprediksi respons terhadap terapi kanker berdasarkan data dari setiap sel tumor
Terakhir ditinjau: 14.06.2024
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 masing-masing kasus unik, upaya berkelanjutan untuk mengembangkan pengobatan onkologi yang presisi masih merupakan tantangan. Fokusnya adalah mengembangkan tes genetik untuk mengidentifikasi mutasi pada gen pemicu kanker dan mengidentifikasi pengobatan yang tepat untuk melawan mutasi tersebut.
Namun, banyak, atau bahkan sebagian besar, pasien kanker tidak mendapatkan manfaat signifikan dari terapi dini yang ditargetkan ini. Dalam studi baru yang dipublikasikan di Nature Cancer, penulis pertama Sanju Sinha, Ph.D., asisten profesor di Molecular Therapeutics Program in Cancer 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 rekannya menjelaskan sistem komputasi unik untuk memprediksi pasien secara sistematis respons terhadap obat kanker pada tingkat sel tunggal.
Disebut Perencanaan Perawatan yang Dipersonalisasi dalam Onkologi Berdasarkan Ekspresi Transkrip Sel Tunggal (PERCEPTION), pendekatan baru berbasis kecerdasan buatan ini mendalami studi transkriptomik—studi tentang faktor transkripsi, molekul mRNA yang diekspresikan oleh gen dan penerjemahan Informasi DNA menjadi tindakan.
"Tumor adalah organisme yang kompleks dan terus berubah. Menggunakan resolusi sel tunggal memungkinkan kita memecahkan kedua masalah ini," kata Sinha. “PERSEPSI memungkinkan penggunaan informasi yang kaya dari omexis sel tunggal untuk memahami arsitektur klonal tumor dan memantau munculnya resistensi.” (Dalam biologi, omeksis mengacu pada jumlah unsur-unsur dalam sel.)
Sinha mengatakan: "Kemampuan untuk memantau munculnya resistensi adalah bagian yang paling menarik bagi saya. Hal ini berpotensi memungkinkan kita beradaptasi dengan evolusi sel kanker dan bahkan mengubah strategi pengobatan kita."
Sinha dan rekannya menggunakan pembelajaran transfer, salah satu cabang AI, untuk menciptakan PERSEPSI.
"Data tingkat sel yang terbatas dari klinik adalah 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. Selanjutnya, data tingkat sel tunggal dari lini sel dan pasien, meskipun terbatas, digunakan untuk menyempurnakan model.
PERSEPSI berhasil divalidasi dalam memprediksi respons terhadap monoterapi dan terapi kombinasi dalam tiga uji klinis independen yang baru-baru ini diterbitkan pada kanker mieloma multipel, payudara, dan paru-paru. Dalam setiap kasus, PERCEPTION dengan tepat mengelompokkan pasien menjadi responden dan non-responden. Pada kanker paru-paru, ia bahkan mendokumentasikan perkembangan resistensi obat seiring dengan perkembangan penyakit, yang merupakan penemuan signifikan dengan potensi besar.
Sinha mengatakan PERCEPTION belum siap digunakan di klinik, namun pendekatan ini menunjukkan bahwa informasi pada tingkat sel tunggal dapat digunakan untuk memandu pengobatan. Ia berharap dapat mendorong penerapan teknologi ini di klinik untuk menghasilkan lebih banyak data yang dapat digunakan untuk lebih mengembangkan dan meningkatkan teknologi untuk penggunaan klinis.
“Kualitas perkiraan meningkat seiring dengan kualitas dan kuantitas data yang menjadi dasarnya,” kata Sinha. "Tujuan kami adalah menciptakan alat klinis yang dapat memprediksi respon pengobatan secara sistematis dan berdasarkan data pada masing-masing pasien penderita kanker. Kami berharap temuan ini akan merangsang lebih banyak data dan penelitian serupa dalam waktu dekat."