მანქანური სწავლებით იმუნოთერაპიაზე პასუხის პროგნოზირება

კიბოს მკურნალობის ახალ ფავორიტად ქცეული იმუნოთერაპიებისუმთავრეს ნაკლად შეიძლება მივიჩნიოთ სირთულე, ვიწინასწარმეტყველოთ, რომელ პაციენტში იმუშავებს ის. კვლევითი გუნდი იმუნოთერაპიაზე უკეთ მოპასუხე პაციენტების გამოსავლენად იყენებს მანქანური სწავლების სახელით ცნობილ ხელოვნური ინტელექტის მეთოდს. ლეიზერსონისა და მისი კოლეგების მიერ PLOS One-ში 2018 წლის დეკემბერში გამოქვეყნებულ უახლეს კვლევაში გუნდმა შარდის ბუშტის კიბოს მქონე პაციენტების კლინიკური კვლევის მონაცემების გამოყენებით ზუსტად იწინასწარმეტყველა, რომელ პაციენტებს ექნებოდათ იმუნური პასუხი. მეტიც, აჩვენეს, რომ ამ მიდგომას ზედმეტი მკურნალობის ნახევრის თავიდან აცილებაც შეუძლია.

კიბოს სამკურნალოდ პაციენტის საკუთარ იმუნურ სისტემაზე დაფუძნებულმა იმუნოთერაპიებმა ბოლო წლებში რევოლუციური შედეგები მოიტანა, თუმცა მათი უმეტესობა პაციენტების მხოლოდ მცირე ნაწილში მუშაობს. იმუნოთერაპიის გამოყენების გაუმჯობესებისა და ხარჯების შემცირების გზა არის უფრო ზუსტი პროგნოზი იმისა, თუ ვინ მიიღებს სარგებელს.

მერილენდის უნივერსიტეტის კომპიუტერული მეცნიერებების პროფესორმა მარკ ლეიზერსონმა და Microsoft Research-ისა და Memorial Sloan Kettering კიბოს ცენტრის მკვლევრებმა იმუნოთერაპიაზე პასუხის უკეთ პროგნოზირებისთვის გამოცადეს პაციენტებისა და მათი სიმსივნეების მრავალი მონაცემის გამაანალიზებელიახალი კომპიუტერული მოდელირების მიდგომა.

დოქტორ ლეიზერსონისა და მისი გუნდის მრავალფაქტორული კომპიუტერული მოდელი, მიუხედავად იმისა, რომ მკურნალობით სარგებლის არმიმღებთა 38 %-ს მოიცავს, მოიცავს სარგებლის მიმღებთა 100 %-ს. ანუ პროგრამის სიზუსტე სარგებლის მიმღებებზე ორიენტირებით იზრდება. აქ მნიშვნელოვანია ის, რომ გამოყენებულია მონაცემების 3 განსხვავებული ტიპი, რომლებსაც სტანდარტულ მკურნალობასა და კვლევებში არ ითვალისწინებენ: სიმსივნის გენეტიკური, იმუნური უჯრედებისა და პაციენტის კლინიკური მონაცემები.

აქამდე იმუნოთერაპიის კვლევები ორიენტირებული იყო "ერთი" ბიომარკერის პოვნაზე იმისთვის, რომ განესაზღვრათ, რომელ პაციენტში იმუშავებდა პრეპარატი. შესაძლოა შეცდომაც ეს იყო, რადგან ერთი ან ერთ-ორი ბიომარკერი იმუნოთერაპიაზე პასუხის პროგნოზირებისთვის საკმარისი არ აღმოჩნდა. როგორც ჩანს, ეს პრობლემა მრავალი ფაქტორის მანქანური სწავლებით გაანალიზებით შეიძლება გადაიჭრას.

კომპიუტერული მოდელების შესაქმნელად დოქტორმა ლეიზერსონმა და მისმა გუნდმა შარდის ბუშტის კიბოს კლინიკური კვლევის მონაცემები გაანალიზეს უნიკალურად მდიდარი ნაკრებიდან, რომელიც სიმსივნური უჯრედების, იმუნური უჯრედებისა და პაციენტების ინფორმაციას აერთიანებდა. მათ მოდელებში 36 განსხვავებული მახასიათებელი განისაზღვრა.

ქვემოთ სურათის მარცხნივ შეგიძლიათ ნახოთ 3 განსხვავებულ კატეგორიაში განაწილებული 36 მახასიათებელი:

მიღებული ალგორითმით განისაზღვრა ერთობლივად გასაანალიზებელი მახასიათებლები, რომლებიც პაციენტის იმუნოთერაპიაზე პასუხის 79 %-ს ხსნის — ასეთი მახასიათებელი 20 იყო. აქამდე ვერცერთ ბიომარკერს არ შეეძლო იმუნოთერაპიაზე პასუხის ამ ხარისხით პროგნოზირება.

მკვლევრებმა ასევე აღმოაჩინეს, რომ თუ მოდელიდან მონაცემების სამი კატეგორიიდან რომელიმეს ამოიღებდნენ (სიმსივნე, იმუნური უჯრედები ან პაციენტის კლინიკური მონაცემები), იმუნური პასუხი პროგნოზირებადი აღარ იყო და მოდელის პროგნოზული ძალა 23 %-მდე ეცემოდა. დოქტორმა ლეიზერსონმა აქ თავად ამ 20 მახასიათებელზე მეტად მრავალმხრივი მიდგომის მნიშვნელობა გამოყო.

ეს გამოვლენილი მახასიათებლები შესაძლოა ერთადერთი არ იყოს, რომელთა გამოყენებაც იმუნოთერაპიაზე პაციენტის პასუხის პროგნოზირებისთვის შეიძლება. ფაქტორები შეიძლება შეიცვალოს, თუმცა აუცილებელია გათვალისწინებული იყოს მახასიათებლების სამივე კატეგორია: სიმსივნე, იმუნური უჯრედები და პაციენტის კლინიკური მონაცემები.

შედეგად, ეს კვლევა მნიშვნელოვანი წვლილია მკურნალობის პაციენტის სიმსივნის გენეტიკურ და მოლეკულურ პროფილზე მორგებისკენ მიმართულ ზუსტი ონკოლოგიის არსებულ ძალისხმევაში.