ביג דאטה ובינה מלאכותית פוגשות את חקר הסרטן

גישה חדשה ממנפת בינה מלאכותית, למידת מכונה וביג דאטה לגילוי תרופות רב תפקודיות

חולי סרטן רבים עוברים טיפול במספר תרופות, שכל אחת מהן תוקפת את הסרטן בצורה שונה, ולכן השילוב נלחם בסרטן בחזיתות רבות. אבל יותר תרופות אומרות סיכון גבוה יותר לתופעות לוואי.

"רוב הטיפול בסרטן הוא כיום טיפול משולב", אומר אבינש (אבי) סהו, דוקטורט, עוזר פרופסור במרכז הסרטן המקיף של אוניברסיטת ניו מקסיקו. סהו הצטרף ל-UNM מאוניברסיטת הרווארד ודנה-פרבר לסרטן. "רצינו למצוא תרופות שיכולות לדכא שני מסלולים גורמי סרטן בו זמנית."

אבל במקום לבלות שעות במעבדה, סהו פנה למחשב שלו.

סהו וצוות המחקר שלו יצרו שתי גישות. הראשון, הנקרא BiopotentR, משתמש בנתונים גנומיים זמינים לציבור כדי למצוא תרופות שיכולות לתקוף סרטן במספר דרכים ולזהות גנים שהתרופות מכוונות אליהם. השנייה מיישמת שיטות למידת מכונה על מידע זה כדי לחזות כיצד אנשים יגיבו לאימונותרפיה.

למידת מכונה דומה לדרך שבה אנשים לומדים. בדיוק כפי שאנשים לומדים דברים חדשים - כמו רכיבה על אופניים או נהיגה במכונית - באמצעות הרבה ניסיון, למידת מכונה מונעת ממוחשבת מטמיעה כמויות עצומות של נתונים ומלקטת דפוסים שהיא יכולה לאחר מכן ליישם במשימות אחרות.

אבל נתונים מחקרי סרטן לבדם לא הספיקו לסאהו ולצוות שלו כדי לחזות כיצד אנשים יגיבו לתרופה. הם נזקקו לנתונים ביולוגיים נוספים שיוכלו ליישם על חולי סרטן ותגובות לתרופות סרטן. במונחים של למידת מכונה, הם היו צריכים ללמוד מההקשר הביולוגי וליישם את הידע הזה בהקשר של סרטן; זו טכניקה שנקראת למידת העברה.

סהו והצוות שלו שיתפו פעולה עם חברה כדי למצוא תרכובת שתכוון למועמד המוביל לגן הסרטן שהם זיהו באמצעות BipotentR. בבדיקות פרה-קליניות, הם אישרו שהתחזיות שלהם היו מדויקות.

אבל אפשר להרחיב את העבודה, אומר סהו.

"כאשר לגידולים יש מטרות תרופות רב-תפקודיות יתר פעילות, מטופלים נוטים פחות להגיב לאימונותרפיה", הוא אומר. "עם זאת, חולים עם סוגים אלה של גידולים עשויים להפיק תועלת משילוב של אימונותרפיה ותרופות רב תפקודיות."

עבודת הצוות אינה מוגבלת רק לחילוף חומרים ולמטרות חיסוניות; זה יכול להיות מותאם כדי לחקור כל שני גורמים כדי למצוא תרופות רב-תכליתיות טובות יותר. סאהו אומר שגישה זו מהווה הזדמנות מרגשת למחקר חדש במגוון פרויקטים ממוקדי סרטן.

וגילוי מהיר יותר של תרופות פירושו רפואה מותאמת אישית מדויקת יותר.

על Avinash Sahu, PhD

Avinash Sahu, PhD, הוא עוזר פרופסור בבית הספר לרפואה של אוניברסיטת ניו מקסיקו, במחלקה לרפואה פנימית, החטיבה לאינפורמטיקה מתרגמת. הוא הצטרף לפקולטה של ​​UNM בינואר 2023. ד"ר סהו הוא בעל תואר דוקטור מאוניברסיטת מרילנד. המחקר שלו מתמקד ביישומים של למידת מכונה ולמידה עמוקה לשיפור ההבנה והטיפול בסרטן.

הפניה לנייר

"גילוי מטרות לתרופות נוגדות גידולים חיסוניים מזהה את הרצפטור האלפא הקשור לאסטרוגן" פורסם באינטרנט ב-27 בינואר 2023, ב-Cancer Discovery (https://aacrjournals.org/cancerdiscovery). המחברים הם: Avinash D. Sahu, Xiaoman Wang, Phillip Munson, Jan Klomp, Xiaoqing Wang, Shengqing Gu, Gege Qian, Phillip Nicol, Zexian Zeng, Chenfei Wang, Collin Tokheim, Wubing Zhang, Jingxin Fu, Jin Wang, Nishanth U. Nair, Joost Rens, Merim Bourajjaj, Bas Jansen, Inge Leenders, Jaap Lemmers, Mark Musters, Sanne van Zanten, Laura Van Zelst, Jenny Worthington, Myles Brown, Jun S. Liu, Dejan Juric, Cliff A. Meyer, Arthur Oubrie, X. Shirley Liu, David E. Fisher, Keith T. Flaherty.