پیش‌بینی پاسخ دادن یا ندادن درمان ایمنی‌درمانی با یادگیری ماشین

یکی از مهم‌ترین محدودیت‌های ایمنی‌درمانی‌ها، روش محبوب جدید درمان سرطان، دشواری پیش‌بینی این است که در کدام بیمار مؤثر خواهند بود. یک گروه پژوهشی برای شناسایی بیماران با پاسخ بهتر به ایمنی‌درمانی، از یادگیری ماشین به‌عنوان یک کاربرد هوش مصنوعی استفاده می‌کند. لیسرسون و همکاران در PLOS Oneدر دسامبر 2018 مطالعه تازه‌ای منتشر کردند که در آن گروه با استفاده از داده‌های یک کارآزمایی بالینی شامل بیماران سرطان مثانه، به‌درستی پیش‌بینی کرد کدام بیماران پاسخ سیستم ایمنی خواهند داشت. همچنین نشان داده شد این رویکرد ممکن است درمان بیش از حد را به نصف کاهش دهد.

ایمنی‌درمانی‌ها با استفاده از سیستم ایمنی خود بیمار برای درمان سرطان، در سال‌های اخیر نتایج تحول‌آفرین داده‌اند، اما بیشترشان فقط برای اقلیتی از بیماران مؤثرند. بهبود استفاده از ایمنی‌درمانی و کاهش هزینه‌ها به پیش‌بینی دقیق‌تر بیماران سودبرنده وابسته است.

مارک لیسرسون، استاد علوم کامپیوتر دانشگاه مریلند، و پژوهشگران Microsoft Research و مرکز سرطان Memorial Sloan Kettering برای پیش‌بینی بهتر پاسخ به ایمنی‌درمانی، داده‌های فراوانی درباره بیماران و تومورهایشان را تحلیل کردندو رویکرد جدیدی برای مدل‌سازی رایانه‌ای آزمودند.

مدل رایانه‌ای چندعاملی دکتر لیسرسون و گروهش، با آنکه 38% افراد بدون سود درمان را نیز شامل می‌شود، 100% افراد سودبرنده را در بر می‌گیرد. یعنی دقت نرم‌افزار بر اساس افراد سودبرنده افزایش داده می‌شود. نکته مهم، استفاده از 3 نوع داده متفاوت است که در درمان‌ها و مطالعات استاندارد سرطان در نظر گرفته نمی‌شوند: داده‌های ژنتیکی تومور، داده‌های سلول‌های سیستم ایمنی و داده‌های بالینی بیمار.

تاکنون پژوهش‌های ایمنی‌درمانی برای پیش‌بینی اینکه دارو در کدام بیمار مؤثر خواهد بود، بر یافتن «یک» زیست‌نشانگر تمرکز داشتند. شاید خطا همین‌جا بود، زیرا یک یا یکی‌دو زیست‌نشانگر برای پیش‌بینی پاسخ ایمنی‌درمانی کافی نبودند. به نظر می‌رسد این مشکل را می‌توان با تحلیل عوامل متعدد از طریق یادگیری ماشین حل کرد.

برای ساخت مدل‌های رایانه‌ای، دکتر لیسرسون و گروهش داده‌های یک کارآزمایی بالینی سرطان مثانه را با مجموعه داده‌ای دارای غنای منحصربه‌فرد، شامل اطلاعات سلول‌های توموری، سلول‌های ایمنی و بیماران، تحلیل کردند. در مدل آن‌ها 36 ویژگی متفاوت تعریف شد.

در سمت چپ شکل زیر می‌توان در 3 دسته متفاوت، 36 ویژگی را دید:

الگوریتم به‌دست‌آمده، در تحلیل هم‌زمان، ویژگی‌هایی را شناسایی کرد که 79% پاسخ بیمار به ایمنی‌درمانی را توضیح می‌دهند و تعداد آن‌ها 20 بود. تاکنون هیچ زیست‌نشانگری نتوانسته بود پاسخ ایمنی‌درمانی را تا این حد پیش‌بینی کند.

پژوهشگران همچنین دریافتند اگر هر یک از سه دسته داده (داده تومور، سلول ایمنی یا داده بالینی بیمار) را از مدل حذف کنند، پاسخ ایمنی دیگر قابل پیش‌بینی نیست و توان پیش‌بینی مدل به 23% کاهش می‌یابد. دکتر لیسرسون تأکید کرد که اهمیت موضوع، تکیه بر رویکردی چندجانبه است، نه خود این 20 ویژگی.

ممکن است این ویژگی‌های شناسایی‌شده تنها عوامل قابل استفاده برای پیش‌بینی پاسخ بیمار به ایمنی‌درمانی نباشند. عوامل ممکن است تغییر کنند، اما باید هر سه دسته شامل تومور، سلول‌های سیستم ایمنی و داده‌های بالینی بیمار را در نظر گرفت.

در نتیجه، این مطالعه که معطوف به تطبیق درمان‌ها با نمایه ژنتیکی و مولکولی تومورهای بیماران است، در زمینه انکولوژی دقیق به تلاش‌های کنونی کمک مهمی می‌کند.