მუტაციებზე გაწვრთნილი დიდი ენობრივი მოდელი კიბოს მიმდინარეობასა და მკურნალობას განსაზღვრავს

ხელოვნური ინტელექტის სფეროში ბოლო წლების ერთ-ერთი ყველაზე შთამბეჭდავი მოვლენა იყო დიდი ენობრივი მოდელების(LLM — დიდი ენობრივი მოდელები) აღმავლობა: მათ ადამიანის ენის გაგებისა და შექმნის განსაკუთრებული უნარი შეიძინეს. განსაკუთრებით ChatGPT-ის სერიამ აჩვენა, რომ ამ მოდელებს შეუძლიათ არა მხოლოდ წერილობითი ტექსტების, არამედ რთული სამეცნიერო ცნებებისა და ბიოლოგიური სისტემების ინტერპრეტაციაც კი.

მილიარდობით პარამეტრის შემცველი სტრუქტურის წყალობით LLM-ებმა არა მხოლოდ ბუნებრივი ენის, არამედ დნმ-ის მიმდევრობების, ცილების სტრუქტურებისა და გენეტიკური ვარიაციების მსგავსი ბიოსამედიცინო მონაცემების ანალიზის შესაძლებლობაც შეიძინეს. ამან მონაცემებით დატვირთულ დარგებში, განსაკუთრებით ონკოლოგიის მსგავს სფეროებში, რევოლუციური პერიოდი დაიწყო.

კიბოს მკურნალობის ინდივიდზე მორგებული მიდგომები — ანუ „ზუსტი მედიცინა“ — ბოლო წლების იმედის ერთ-ერთი მთავარი წყაროა. თითოეული პაციენტის კიბოს საკუთარი გენეტიკური ხელწერა აქვს, რომელიც მკურნალობაზე პასუხს მნიშვნელოვანწილად განსაზღვრავს.

დღეს ახალი თაობის სეკვენირების (NGS) ტექნოლოგიებით სიმსივნის სომატური მუტაციების გამოვლენა შესაძლებელია; თუმცა ამ მონაცემების კლინიკური მნიშვნელობის სრულად გააზრება კვლავ მნიშვნელოვანი გამოწვევაა. ცნობილ სამიზნე მუტაციათა რაოდენობა შეზღუდულია, ბევრი ვარიანტი კი „გაურკვეველი მნიშვნელობის მქონედ“ რჩება.

სწორედ აქ LLM-ებს, ბუნებრივ ენასთან ერთად კიბოს მოლეკულური ენის სწავლით, შეუძლიათ შეიძინონ დაავადების მიმდინარეობის პროგნოზირებისა და ყველაზე შესაფერისი მკურნალობის შეთავაზების პოტენციალი. ამ მიდგომამ შესაძლოა თანამედროვე ონკოლოგიის მომავალი ხელახლა განსაზღვროს.

კიბოს კვლევის ამერიკული ასოციაციის (AACR) ხელოვნური ინტელექტისა და მანქანური სწავლების სპეციალურ კონფერენციაზეწარმოდგენილ მნიშვნელოვან კვლევაში დოქტორმა John-William Sidhom-მა და მისმა გუნდმა განაცხადეს, რომ შექმნეს თითოეული პაციენტის სომატური მუტაციების კიბოს მიმდინარეობასა და მკურნალობაზე პასუხზე გავლენის გამგები დიდი ენობრივი მოდელები .

დოქტორი Sidhom აღნიშნავს, რომ ამ მოდელებს კიბოს საკუთარი „ენის“ სწავლით შეუძლიათ სიმსივნეების დიაგნოსტიკა, პროგნოზის შეფასება და თითოეული პაციენტისთვის ყველაზე შესაფერისი მკურნალობის რეჟიმის შეთავაზება.

თანამედროვე ახალი თაობის სეკვენირების (NGS) ანგარიშებში მონაცემები შეიძლება არასრული იყოს, რადგან გენომში სამკურნალო სამიზნედ გამოსადეგ მუტაციებზე მეცნიერთა ცოდნა შეზღუდულია. მრავალი მუტაცია კლასიფიცირდება როგორც „გაურკვეველი მნიშვნელობის ვარიანტი“ .

ამასთან, მიუხედავად იმისა, რომ არსებული მიზნობრივი თერაპიები ერთ გენომურ მამოძრავებელ ფაქტორს უტევს, იგივე ფაქტორების მქონე პაციენტებს განსხვავებული პასუხი შეიძლება ჰქონდეთ. თითოეულ დაავადებაში სხვა პოტენციური მამოძრავებელი ფაქტორებიც შეიძლება არსებობდეს. დოქტორი Sidhomხსნის, რომ სწორედ ამიტომ სურთ ზუსტი მედიცინის ამ დანაკლისის შევსება.

დოქტორმა Sidhom-მა გამოიკვლია NGS ანგარიშის მუტაციებსა და ინფორმაციაზე მსჯელობის საფუძველზე პროგნოზის შეფასებისა და სისტემური მკურნალობის გადაწყვეტილებების წარმართვის უნარის მქონე დიდი ენობრივი მოდელის შექმნის შესაძლებლობა. მოდელი გაიწვრთნა, რათა შეესწავლა კიბოსთან დაკავშირებული სხვადასხვა მუტაციის მნიშვნელობა და მათი ერთდროული ურთიერთქმედება.

კიბოს კვლევაში ამჟამად გამოყენებული LLM-ები, ჩვეულებრივ, რეფერენსულ გენომზე იწვრთნება. თუმცა ამ მოდელების კლინიკური ვალიდურობა შეზღუდულია. დოქტორი Sidhomგვთავაზობს მოდელების გაწვრთნას სომატური მუტაციების კატალოგებზე, კიბოსთვის სპეციფიკურ ცვლილებებსა და კლინიკური შედეგების მონაცემებზე , ანუ „მუტანომზე“.

მოდელი შეიქმნა თითოეული მუტაციის რეფერენსისა და ცვლილების გამთვალისწინებელი ორმაგი ყურადღების არქიტექტურით . ამგვარად, მას შეუძლია გაიგოს როგორც გენეტიკური მიმდევრობის რიგი, ისე თითოეული მუტაციის ინდივიდუალური მნიშვნელობა. მკვლევრებმა შეცვლილი მიმდევრობებიც შენიღბეს, რათა მოდელს ესწავლა „გენეტიკური მუტაციების ლექსიკა და სინტაქსი“ , ანუ გარკვეულწილად მეტაგენეზის წესები .

„ორმაგი ყურადღების ეს მექანიზმი კიბოს მამოძრავებელ პაციენტებს შორის რთული ურთიერთქმედებების გასაგებად ძალიან კარგ, ინტერპრეტირებად ჩარჩოს გვთავაზობს“, — ამბობს დოქტორი Sidhom.

დოქტორმა Sidhom-მა და მისმა გუნდმა თავდაპირველად მოდელი გაწვრთნეს 10224 პაციენტის და კიბოს 33 ტიპისშესახებ 3 მილიონზე მეტი სომატური ვარიაციის შემცველი კიბოს გენომის ატლასიდან (TCGA) მიღებულ მონაცემებზე.

შემდეგ 805 AML პაციენტის BeatAML2 მონაცემთა ნაკრებით შეეცადნენ გაეგოთ ამ პაციენტების გენომურ წარმოდგენებსა და იმუნოთერაპიებზე პასუხს შორის კორელაციები. თითოეულ მკურნალობაზე პასუხის პროგნოზირებისთვის მოდელზე მრავალი მაგალითით სწავლება (მრავალინსტანციური სწავლება) გამოიყენეს.

მოდელმა TCGA-ის კიბოსთვის სპეციფიკურ კოჰორტებში პროგნოზი შეაფასა ისეთი არაზედამხედველობითი სწავლების მეთოდებით, როგორიცაა k-საშუალოებით კლასტერიზაცია . შემდეგ ეს კლასტერები Kaplan–Meier-ის ანალიზებად გარდაიქმნა.

შესწავლილი კანონზომიერებების წყალობით მოდელს თითოეული ტიპის კიბოსთვის შეეძლო აესახა გლობალური ყურადღების ნიმუშები და შესაძლო მიზეზობრივი ჯაჭვები . მაგალითად, კოლორექტალურ კიბოში APC მუტაციებზე მაღალი დამოკიდებულება დაფიქსირდა.

ამასთან, მოდელმა კოლორექტალური კიბოს კლასიკური Vogelstein-ის მოდელი — ანუ TP53 → KRAS → APC თანმიმდევრობა — ყურადღების წონებით ასახა და ამით ბიოლოგიური ვალიდურობა დაამტკიცა.

Cabozantinibმწვავე მიელოიდურ ლეიკემიაში ჯერ ფართოდ არ გამოიყენება, თუმცა მოდელი ამ საშუალებაზე პასუხის პროგნოზირებას შეეცადა.

კანონიკური კორელაცია: 0.3052 (P < 0.001)
AUC (მრუდქვეშა ფართობი): 0.70 როგორც რეზისტენტობისთვის, ისე მგრძნობელობისთვის.

„ვიმედოვნებთ, რომ მეტი მონაცემითა და უფრო ძლიერი მოდელებით ეს შედეგი გაუმჯობესდება“, — ამბობს დოქტორი Sidhom.

ეს კვლევა ონკოლოგიაში ხელოვნური ინტელექტის გარდამქმნელ პოტენციალს ნათლად აჩვენებს. დიდ ენობრივ მოდელებს არა მხოლოდ ენობრივი ტექსტების, არამედ გენეტიკური მონაცემების ანალიზითაც შეუძლიათ კლინიცისტებს მნიშვნელოვანი მხარდაჭერა გაუწიონ პროგნოზის შეფასებისა და მკურნალობის შერჩევის მსგავს გადამწყვეტ გადაწყვეტილებებში.

ამ ახალი თაობის საშუალებებს ზუსტი მედიცინის შემდეგ დონეზე აყვანით შეუძლიათ დაგვეხმარონ თითოეული პაციენტისთვის უფრო ეფექტიანი და ინდივიდზე მორგებული მკურნალობის სტრატეგიების შექმნაში.

მომავალში, მეტი მონაცემითა და უფრო განვითარებული მოდელებით, მოსალოდნელია, რომ ამ ტექნოლოგიამ კიბოს წინააღმდეგ ბრძოლაში ციფრული რევოლუცია გახადოს შესაძლებელი.