Μια πρόσφατη μελέτη έδειξε ότι η τεχνητή νοημοσύνη (AI) μπορεί να προβλέψει με ακρίβεια τις πιθανότητες επιβίωσης των ασθενών με καρκίνο. Οι ερευνητές δημιούργησαν ένα μοντέλο τεχνητής νοημοσύνης που μπορεί να προβλέψει τα αποτελέσματα επιβίωσης ασθενών με διαφορετικούς τύπους καρκίνου.
Αναλύοντας τα πρότυπα γονιδιακής έκφρασης των επιγενετικών παραγόντων στους όγκους, οι επιστήμονες μπόρεσαν να ταξινομήσουν τους όγκους σε διακριτές ομάδες. Αυτές οι ταξινομήσεις αποδείχθηκαν πιο αποτελεσματικές στην πρόβλεψη των αποτελεσμάτων των ασθενών από τις παραδοσιακές μεθόδους. Η ομάδα από το UCLA Health Jonsson Comprehensive Cancer Center πιστεύει ότι η δουλειά τους θα μπορούσε να οδηγήσει σε στοχευμένες θεραπείες που ρυθμίζουν αυτούς τους επιγενετικούς παράγοντες στη θεραπεία του καρκίνου.
Παραδοσιακά, ο καρκίνος έχει θεωρηθεί ως αποτέλεσμα κυρίως γενετικών μεταλλάξεων εντός ογκογονιδίων ή ογκοκατασταλτών. Ωστόσο, η εμφάνιση προηγμένων τεχνολογιών αλληλούχισης επόμενης γενιάς έχει κάνει περισσότερους ανθρώπους να συνειδητοποιήσουν ότι η κατάσταση της χρωματίνης και τα επίπεδα των επιγενετικών παραγόντων που διατηρούν αυτή την κατάσταση είναι σημαντικά για τον καρκίνο και την εξέλιξη του καρκίνου.
Ορισμένες πτυχές της χρωματίνης, όπως οι τροποποιήσεις της πρωτεΐνης ιστόνης ή η μεθυλίωση του DNA, μπορούν να επηρεάσουν τα αποτελέσματα του καρκίνου. Η κατανόηση αυτών των διαφορών μεταξύ των όγκων θα μπορούσε να μας βοηθήσει να μάθουμε περισσότερα σχετικά με το γιατί ορισμένοι ασθενείς ανταποκρίνονται διαφορετικά στις θεραπείες και γιατί τα αποτελέσματά τους ποικίλλουν.
Προηγούμενη έρευνα έχει δείξει ότι μεταλλάξεις σε γονίδια που σχετίζονται με επιγενετικούς παράγοντες μπορούν να αυξήσουν την ευαισθησία στον καρκίνο, αλλά η επίδραση των επιπέδων τους στην εξέλιξη του καρκίνου είναι λιγότερο κατανοητή. Η αντιμετώπιση αυτού του γνωστικού χάσματος είναι απαραίτητη, σύμφωνα με την καθηγήτρια Hilary Coller, για να κατανοήσουμε πλήρως πώς η επιγενετική μπορεί να επηρεάσει τις πιθανότητες επιβίωσης των ασθενών.
Η ερευνητική ομάδα ανέλυσε τα πρότυπα έκφρασης 720 επιγενετικών παραγόντων και διαχώρισε τους όγκους από 24 διαφορετικούς τύπους καρκίνου σε διακριτές ομάδες. Στη συνέχεια, αυτές οι ομάδες ομαδοποιήθηκαν με βάση τις διαφορές στα αποτελέσματα των ασθενών, συμπεριλαμβανομένης της επιβίωσης χωρίς εξέλιξη, της επιβίωσης ειδικής για τη νόσο και της συνολικής επιβίωσης, για 10 από τους καρκίνους που αναλύθηκαν. Οι ομάδες με φτωχότερα αποτελέσματα είχαν γενικά δείκτες προχωρημένων σταδίων καρκίνου, μεγαλύτερα μεγέθη όγκου ή πιο εκτεταμένης εξάπλωσης.
Ο Δρ Mithun Mitra, εξηγεί ότι η αποτελεσματικότητα ενός επιγενετικού παράγοντα ως προγνωστικού δείκτη εξαρτιόταν από τον ιστό προέλευσης του τύπου καρκίνου. Αυτή η σύνδεση φάνηκε ακόμη και σε μερικούς τύπους παιδιατρικού καρκίνου που αναλύθηκαν, κάτι που θα μπορούσε να είναι χρήσιμο για τον προσδιορισμό της ειδικής για τον καρκίνο συνάφεια της θεραπευτικής στόχευσης αυτών των παραγόντων.
Στη συνέχεια, η ομάδα ανέπτυξε και επικύρωσε ένα μοντέλο τεχνητής νοημοσύνης που χρησιμοποίησε τα επίπεδα γονιδιακής έκφρασης των επιγενετικών παραγόντων για να προβλέψει την επιβίωση των ασθενών. Το μοντέλο επικεντρώθηκε συγκεκριμένα στους πέντε τύπους καρκίνου με αξιοσημείωτες διαφορές επιβίωσης. Το μοντέλο χώρισε με επιτυχία τους ασθενείς σε δύο ομάδες: αυτούς με υψηλότερη πιθανότητα ευνοϊκών εκβάσεων και αυτούς με υψηλότερο κίνδυνο δυσμενών εκβάσεων. Τα πιο κρίσιμα γονίδια για τις προβλέψεις του μοντέλου AI έδειξαν ουσιαστική επικάλυψη με τα γονίδια υπογραφής που καθορίζουν το σύμπλεγμα.
Σύμφωνα με τους ερευνητές, το μοντέλο AI έχει εκπαιδευτεί και δοκιμαστεί σε δεδομένα ενηλίκων ασθενών από την κοόρτη TCGA. Ωστόσο, απαιτείται περαιτέρω δοκιμή σε ανεξάρτητα σύνολα δεδομένων για να προσδιοριστεί η ευρύτερη εφαρμογή του. Η προσέγγιση θα μπορούσε επίσης να προσαρμοστεί για παιδιατρικούς καρκίνους για να κατανοηθεί πώς διαφέρουν οι παράγοντες λήψης αποφάσεων από εκείνους στους καρκίνους ενηλίκων.
Ο πρώτος συγγραφέας της μελέτης, Μάικλ Τσενγκ, μεταπτυχιακός φοιτητής στο Πρόγραμμα Βιοπληροφορικής στο UCLA, καταλήγει στο συμπέρασμα ότι ο οδικός χάρτης δείχνει πώς να εντοπίζονται ορισμένοι παράγοντες επιρροής σε διαφορετικούς τύπους καρκίνου και περιέχει συναρπαστικές δυνατότητες για την πρόβλεψη συγκεκριμένων στόχων για τη θεραπεία του καρκίνου.
Τα ευρήματα δημοσιεύτηκαν στο περιοδικό Communications Biology.