Совре­мен­ная онко­ло­гия стал­ки­ва­ет­ся с фун­да­мен­таль­ным вызо­вом: пере­ход от стан­дар­ти­зи­ро­ван­ных про­то­ко­лов лече­ния к пер­со­на­ли­зи­ро­ван­ной тера­пии тре­бу­ет уче­та уни­каль­ных моле­ку­ляр­ных харак­те­ри­стик каж­до­го паци­ен­та. Тра­ди­ци­он­ные под­хо­ды, осно­ван­ные на выяв­ле­нии отдель­ных гене­ти­че­ских мута­ций, демон­стри­ру­ют огра­ни­чен­ную эффек­тив­ность, посколь­ку тече­ние забо­ле­ва­ния и ответ на тера­пию опре­де­ля­ют­ся слож­ным вза­и­мо­дей­стви­ем мно­же­ства моле­ку­ляр­ных фак­то­ров. Иссле­до­ва­те­ли из Уни­вер­си­те­та Юты пред­ло­жи­ли реше­ние дан­ной про­бле­мы, раз­ра­бо­тав инно­ва­ци­он­ный метод искус­ствен­но­го интел­лек­та (ИИ) и машин­но­го обу­че­ния (МО), бази­ру­ю­щий­ся на мате­ма­ти­че­ском аппа­ра­те кван­то­вой механики.

Ограничения традиционных подходов 

К машин­но­му обу­че­нию в медицине

Кли­ни­че­ские иссле­до­ва­ния в онко­ло­гии, как пра­ви­ло, охва­ты­ва­ют огра­ни­чен­ные когор­ты паци­ен­тов — от 20 до 100 чело­век. Такая ста­ти­сти­че­ская мощ­ность недо­ста­точ­на для обу­че­ния боль­шин­ства совре­мен­ных систем машин­но­го обу­че­ния, кото­рые тре­бу­ют зна­чи­тель­ных мас­си­вов дан­ных для кор­рект­ной рабо­ты. Про­бле­ма усу­губ­ля­ет­ся высо­кой раз­мер­но­стью моле­ку­ляр­ных дан­ных: геном­ные набо­ры содер­жат инфор­ма­цию о мил­ли­о­нах и даже мил­ли­ар­дах моле­ку­ляр­ных харак­те­ри­стик, вклю­чая дан­ные дез­ок­си­ри­бо­ну­кле­и­но­вой кис­ло­ты (ДНК) и рибо­ну­кле­и­но­вой кис­ло­ты (РНК).

Квантово-механический подход

К ана­ли­зу моле­ку­ляр­ных данных

Для пре­одо­ле­ния огра­ни­че­ний иссле­до­ва­тель­ская груп­па под руко­вод­ством док­то­ра Алтер раз­ра­бо­та­ла ком­плекс алго­рит­мов, полу­чив­ших назва­ние муль­ти­тен­зор­ные срав­ни­тель­ные спек­траль­ные раз­ло­же­ния. Дан­ные алго­рит­мы постро­е­ны на мате­ма­ти­че­ских кон­цеп­ци­ях кван­то­вой меха­ни­ки — супер­по­зи­ции и запу­тан­но­сти. Прин­цип рабо­ты мето­да может быть опи­сан сле­ду­ю­щей ана­ло­ги­ей: подоб­но тому, как приз­ма раз­ла­га­ет белый свет на состав­ля­ю­щие его цве­то­вые ком­по­нен­ты, раз­ра­бо­тан­ный алго­ритм раз­би­ва­ет мно­же­ствен­ные слои моле­ку­ляр­ных дан­ных паци­ен­та — опу­хо­ле­вый и кро­вя­ной гено­мы, а так­же опу­хо­ле­вую тран­скрип­то­му (РНК-сооб­ще­ния, управ­ля­ю­щие ростом ново­об­ра­зо­ва­ния) — на свя­зан­ные пат­тер­ны, поз­во­ля­ю­щие про­гно­зи­ро­вать кли­ни­че­ские исходы.

Клю­че­вая осо­бен­ность мето­да заклю­ча­ет­ся в спо­соб­но­сти обра­ба­ты­вать дан­ные мало­го объ­е­ма с высо­кой раз­мер­но­стью. Мате­ма­ти­че­ская осно­ва мето­да поз­во­ля­ет пред­ста­вить мно­же­ствен­ные оми­че­ские про­фи­ли одно­го паци­ен­та как супер­по­зи­цию фено­ти­пов, каж­дый из кото­рых пред­став­лен набо­ром мно­же­ствен­ных запу­тан­ных пат­тер­нов. Важ­но, что дан­ные одно­го моле­ку­ляр­но­го про­фи­ля могут аппрок­си­ми­ро­вать ана­лиз дру­гих про­фи­лей, что обес­пе­чи­ва­ет согла­со­ван­ность про­гно­зов при исполь­зо­ва­нии раз­лич­ных типов био­ло­ги­че­ских данных.

Валидация метода

На кли­ни­че­ских дан­ных нейробластомы

Иссле­до­ва­те­ли про­ве­ри­ли раз­ра­бо­тан­ную систе­му на откры­тых дан­ных паци­ен­тов с ней­роб­ла­сто­мой — наи­бо­лее рас­про­стра­нен­ным видом зло­ка­че­ствен­ных ново­об­ра­зо­ва­ний у мла­ден­цев. Ней­роб­ла­сто­ма пред­став­ля­ет собой слож­ную гете­ро­ген­ную пато­ло­гию: неко­то­рые типы забо­ле­ва­ния раз­ре­ша­ют­ся спон­тан­но, тогда как дру­гие тре­бу­ют агрес­сив­но­го тера­пев­ти­че­ско­го вме­ша­тель­ства. Алго­ритм выявил два новых про­гно­сти­че­ских фак­то­ра, свя­зан­ных с про­дол­жи­тель­но­стью жиз­ни паци­ен­тов в ответ на про­во­ди­мое лече­ние. Дан­ные пре­дик­то­ры были обна­ру­же­ны в трех вза­и­мо­свя­зан­ных, но раз­лич­ных типах дан­ных: опу­хо­ле­вых гено­мах, кро­вя­ных гено­мах и опу­хо­ле­вых транскриптомах.

Одним из суще­ствен­ных пре­иму­ществ раз­ра­бо­тан­ной систе­мы перед мно­ги­ми ней­ро­се­те­вы­ми моде­ля­ми, функ­ци­о­ни­ру­ю­щи­ми по прин­ци­пу «чер­но­го ящи­ка», явля­ет­ся интер­пре­ти­ру­е­мость полу­ча­е­мых резуль­та­тов. Ней­ро­се­те­вые моде­ли явля­ют­ся чер­ны­ми ящи­ка­ми, но наши пре­дик­то­ры интер­пре­ти­ру­е­мы; они ука­зы­ва­ют на меха­низ­мы забо­ле­ва­ния и пред­ла­га­ют гены-мише­ни для повы­ше­ния чув­стви­тель­но­сти опу­хо­лей к лече­нию. Эта осо­бен­ность име­ет кри­ти­че­ское зна­че­ние для кли­ни­че­ско­го при­ме­не­ния, посколь­ку поз­во­ля­ет вра­чам-иссле­до­ва­те­лям не толь­ко полу­чать про­гно­сти­че­скую оцен­ку, но и пони­мать моле­ку­ляр­ные меха­низ­мы, лежа­щие в осно­ве прогноза.

Систе­ма выяв­ля­ет кон­крет­ные гены и моле­ку­ляр­ные пути, кото­рые могут стать мише­ня­ми для раз­ра­бот­ки новых лекар­ствен­ных пре­па­ра­тов. Экс­пе­ри­мен­таль­ная вали­да­ция про­гно­зов была про­ве­де­на на кли­ни­че­ских дан­ных взрос­лых паци­ен­тов с гли­об­ла­сто­мой — агрес­сив­ной фор­мой рака голов­но­го моз­га. Иссле­до­ва­те­ли под­твер­ди­ли свои про­гно­зы исхо­дов и лекар­ствен­ных мише­ней в кли­ни­че­ских испы­та­ни­ях и докли­ни­че­ских иссле­до­ва­ни­ях с исполь­зо­ва­ни­ем тех­но­ло­гии редак­ти­ро­ва­ния гено­ма CRISPR-Cas9.

ИИ для онкологии

Раз­ра­бо­тан­ный иссле­до­ва­те­ля­ми Уни­вер­си­те­та Юты метод искус­ствен­но­го интел­лек­та, осно­ван­ный на мате­ма­ти­че­ских прин­ци­пах кван­то­вой меха­ни­ки, пред­став­ля­ет собой зна­чи­тель­ный шаг впе­ред в обла­сти пер­со­на­ли­зи­ро­ван­ной онко­ло­гии. Спо­соб­ность алго­рит­мов обра­ба­ты­вать мно­го­мер­ные моле­ку­ляр­ные дан­ные малых кли­ни­че­ских когорт, выяв­лять интер­пре­ти­ру­е­мые про­гно­сти­че­ские фак­то­ры и обес­пе­чи­вать вали­да­цию резуль­та­тов на неза­ви­си­мых выбор­ках откры­ва­ет новые пер­спек­ти­вы для пре­ци­зи­он­ной меди­ци­ны. Тех­но­ло­гия поз­во­ля­ет пре­одо­леть фун­да­мен­таль­ное огра­ни­че­ние тра­ди­ци­он­ных под­хо­дов к машин­но­му обу­че­нию, тре­бу­ю­щих боль­ших объ­е­мов дан­ных, и пред­ла­га­ет реше­ние для кли­ни­че­ских ситу­а­ций, где доступ­ны лишь огра­ни­чен­ные когор­ты паци­ен­тов. Выяв­лен­ные про­гно­сти­че­ские фак­то­ры, пре­вос­хо­дя­щие по точ­но­сти стан­дарт­ные био­мар­ке­ры, могут быть исполь­зо­ва­ны для стра­ти­фи­ка­ции паци­ен­тов, опти­ми­за­ции тера­пев­ти­че­ских стра­те­гий и раз­ра­бот­ки новых лекар­ствен­ных средств.

Tags:
, ,

Похожие посты