Künstliche Intelligenz sagt das Ansprechen auf eine Krebstherapie anhand der Daten jeder einzelnen Tumorzelle voraus

Da es über 200 Krebsarten gibt und jeder Fall einzigartig ist, bleiben die laufenden Bemühungen zur Entwicklung präziser Krebstherapien eine Herausforderung. Der Schwerpunkt liegt auf der Entwicklung genetischer Tests zur Identifizierung von Mutationen in Krebstreibergenen und der Entwicklung maßgeschneiderter Therapien, die auf diese Mutationen abzielen.

Viele, wenn nicht die meisten Krebspatienten profitieren jedoch nicht signifikant von diesen frühzeitigen zielgerichteten Therapien. In einer neuen Studie, die in Nature Cancer veröffentlicht wurde, beschreiben Erstautor Sanju Sinha, PhD, Assistenzprofessor im Molecular Cancer Therapy Program am Sanford Burnham Prebys, zusammen mit den Hauptautoren Eitan Ruppin, MD, PhD, und Alejandro Schaffer, PhD, vom National Cancer Institute, das zu den National Institutes of Health (NIH) gehört, und Kollegen ein einzigartiges Computersystem zur systematischen Vorhersage, wie Patienten auf Einzelzellebene auf Krebsmedikamente reagieren.

Der neue KI-gestützte Ansatz mit dem Namen „PERSONALISIERTE ONKOLOGISCHE BEHANDLUNGSPLANUNG BASIEREND AUF DER EXPRESSION EINZELNER TRANCIPLES (PERCEPTION)“ befasst sich mit der Transkriptomik – der Untersuchung von Transkriptionsfaktoren, mRNA-Molekülen, die von Genen exprimiert werden und DNA-Informationen in Aktionen umsetzen.

„Tumoren sind komplexe und sich ständig verändernde Organismen. Die Einzelzellauflösung ermöglicht es uns, beide Herausforderungen zu bewältigen“, sagt Sinha. „PERCEPTION ermöglicht es uns, die umfangreichen Informationen aus Einzelzell-Omexiken zu nutzen, um die klonale Architektur eines Tumors zu verstehen und die Entstehung von Resistenzen zu überwachen.“ (In der Biologie bezeichnet Omexik die Summe der Bestandteile einer Zelle.)

Sinha sagt: „Die Möglichkeit, die Entstehung von Resistenzen zu überwachen, finde ich am spannendsten. Sie ermöglicht es uns, uns an die Evolution von Krebszellen anzupassen und sogar unsere Behandlungsstrategie zu ändern.“

Sinha und Kollegen nutzten Transferlernen, einen Zweig der KI, um PERCEPTION zu schaffen.

„Die begrenzten Einzelzelldaten aus Kliniken waren unsere größte Herausforderung. KI-Modelle benötigen große Datenmengen, um Krankheiten zu verstehen, genauso wie ChatGPT riesige Mengen an Textdaten aus dem Internet benötigt“, erklärt Sinha.

PERCEPTION nutzt veröffentlichte Genexpressionsdaten von Tumoren, um seine Modelle vorab zu trainieren. Anschließend wurden, wenn auch begrenzt, Daten auf Einzelzellebene von Zelllinien und Patienten zur Feinabstimmung der Modelle verwendet.

PERCEPTION wurde in drei unabhängigen, kürzlich veröffentlichten klinischen Studien zu multiplem Myelom, Brustkrebs und Lungenkrebs erfolgreich zur Vorhersage des Ansprechens auf Mono- und Kombinationstherapien validiert. In jedem Fall unterteilte PERCEPTION die Patienten korrekt in Responder und Non-Responder. Bei Lungenkrebs erfasste es sogar die Entwicklung von Arzneimittelresistenzen im Verlauf der Erkrankung – eine bedeutende Entdeckung mit großem Potenzial.

Sinha sagt, PERCEPTION sei noch nicht für den klinischen Einsatz bereit, der Ansatz zeige jedoch, dass Informationen auf der Ebene einzelner Zellen zur Steuerung der Behandlung genutzt werden können. Er hofft, die Einführung der Technologie in Kliniken zu fördern, um mehr Daten zu generieren, die zur Weiterentwicklung und Verbesserung der Technologie für den klinischen Einsatz genutzt werden können.

„Die Qualität der Vorhersage verbessert sich mit der Qualität und Quantität der zugrunde liegenden Daten“, sagt Sinha. „Unser Ziel ist es, ein klinisches Instrument zu entwickeln, das das Behandlungsergebnis bei einzelnen Krebspatienten systematisch und datenbasiert vorhersagen kann. Wir hoffen, dass diese Erkenntnisse in naher Zukunft weitere Daten und ähnliche Studien anregen werden.“