دانشمندان با استفاده از هوش مصنوعی، مدلی پیش بینی برای شناسایی قوی ترین سلول های ایمنی سرطان زا و ارائه ایمونوتراپی سرطان ایجاد کرده اند.
یک مدل پیش‌بینی‌کننده جدید می‌تواند همراه با الگوریتم‌های متعدد برای درمان شخصی‌شده سرطان استفاده شود که درمان را با ترکیب سلولی منحصربه‌فرد تومورهای هر بیمار منطبق می‌کند.
به گزارش ساینس دیلی، «الکساندر هراری» از «مرکز تحقیقات سرطان لودویگ» که به همراه «رمی پترماند» فارغ التحصیل این مرکز سرپرستی این پژوهش را بر عهده داشتند، گفت: اجرای هوش مصنوعی در سلول درمانی کار جدیدی است. و شاید بتواند روش درمانی را تغییر دهد و گزینه های بالینی جدیدی را در اختیار بیماران قرار دهد.
ایمونوتراپی سلولی شامل استخراج سلول‌های ایمنی از تومور بیمار، مهندسی آنها برای تقویت توانایی‌های طبیعی مبارزه با سرطان و پیوند مجدد آنها به بدن پس از رشد است. سلول های T یکی از دو نوع اصلی گلبول های سفید یا لنفوسیت ها هستند که در خون گردش می کنند و سلول های آلوده به ویروس یا سرطان را جستجو می کنند.
سلول های T که به تومورهای جامد نفوذ می کنند به عنوان لنفوسیت های نفوذ کننده تومور (TILs) شناخته می شوند. با این حال، همه لنفوسیت های نفوذ کننده تومور در شناسایی و حمله به سلول های تومور موثر نیستند. هراری تصریح کرد: در واقع تنها بخشی از لنفوسیت ها به تومور واکنش نشان می دهند و بیشتر آنها ناظر هستند. چالشی که ما با آن روبرو بودیم شناسایی تعداد کمی از لنفوسیت های نفوذ کننده تومور بود. این لنفوسیت ها مجهز به گیرنده های سلول T هستند که می توانند آنتی ژن های روی تومور را تشخیص دهند.
برای انجام این کار، هراری و تیمش یک مدل پیش‌بینی مبتنی بر هوش مصنوعی به نام TRTpred ایجاد کردند که می‌تواند گیرنده‌های سلول T یا TCR را بر اساس واکنش‌پذیری تومور هدف رتبه‌بندی کند. برای توسعه TRTpred، آنها از ۲۳۵ گیرنده سلول T جمع آوری شده از بیماران مبتلا به ملانوم متاستاتیک که قبلاً به عنوان واکنش دهنده تومور یا غیر واکنش طبقه بندی شده بودند، استفاده کردند. گروه تحقیقاتی پروفایل بیان ژن سلول های T را که هر گیرنده سلول T را دارند در مدل یادگیری ماشینی بارگذاری کردند تا الگوهایی را شناسایی کنند که سلول های T واکنش دهنده به تومور را از همتایان غیرفعال خود متمایز می کند.
هراری توضیح داد که TRTpred می تواند از یک جمعیت سلول T یاد بگیرد و یک قانون برای اعمال در یک جمعیت جدید ایجاد کند. بنابراین، وقتی با یک گیرنده سلول T جدید مواجه می‌شویم، این مدل می‌تواند مشخصات آن را بخواند و پیش‌بینی کند که آیا تومور پاسخ می‌دهد یا خیر.
مدل TRTpred لنفوسیت‌های نفوذکننده تومور را در ۴۲ بیمار مبتلا به ملانوم و سرطان‌های دستگاه گوارش، ریه و پستان مورد تجزیه و تحلیل قرار داد و گیرنده‌های سلول T واکنش‌پذیر به تومور را با دقت ۹۰ درصد شناسایی کرد. محققان فرآیند ایران تحلیل لنفوسیت های نفوذ کننده به تومور خود را با استفاده از یک فیلتر ثانویه که فقط سلول های T واکنش دهنده به تومور را غربال می کند، اصلاح کردند. یعنی فقط سلول هایی که ارتباط قوی با آنتی ژن های تومور دارند.
هراری گفت: “TRTpred منحصراً پیش بینی می کند که آیا گیرنده سلول T به تومور واکنش نشان می دهد یا نه، اما برخی از گیرنده های واکنش دهنده تومور اتصال قوی به سلول های تومور ایجاد می کنند و بنابراین بسیار موثر هستند.” در حالی که دیگران از روی تنبلی این کار را انجام می دهند. تمایز بین ارتباطات قوی و ضعیف نشان دهنده اثربخشی است.
به گفته ی ایسنا محققان نشان دادند که سلول‌های T که توسط TRTpred و الگوریتم ثانویه به عنوان واکنش‌دهنده تومور شناسایی می‌شوند، اغلب در تومورها قرار دارند. یافته های این مطالعه با سایر مطالعات همخوانی دارد که نشان می دهد سلول های T موثر معمولا به عمق تومور نفوذ می کنند.
سپس، محققان فیلتر سومی را برای به حداکثر رساندن تشخیص آنتی ژن های تومور معرفی کردند. هراری گفت: “ما می خواهیم این شانس را که لنفوسیت های نفوذ کننده تومور تا حد ممکن آنتی ژن های مختلف را هدف قرار دهند، به حداکثر برسانیم.”
این فیلتر نهایی گیرنده های سلول T را بر اساس خواص فیزیکی و شیمیایی مشابه در چندین گروه سازماندهی می کند. فرضیه محققان این است که گیرنده های سلول T در هر خوشه همان آنتی ژن را تشخیص می دهند. وینسنت زویت، محقق مرکز تحقیقات سرطان لودویگ که الگوریتم های خوشه بندی گیرنده سلول T را توسعه داده است، می گوید: «بنابراین ما یک گیرنده سلول T را در هر خوشه برای تقویت برای افزایش شانس هدف قرار دادن یک آنتی ژن خاص ایران تحلیل می کنیم.
محققان ترکیب فیلترهای TRTpred و الگوریتمی را “MixTRTpred” می نامند.
برای تایید روش خود، گروه هراری تومورهای انسانی را در موش کاشته، گیرنده های سلول T را از لنفوسیت های نفوذ کننده تومور استخراج کردند و از سیستم MixTRTpred برای شناسایی سلول های T واکنش دهنده به تومور و آنتی ژن های متعدد در تومور هدف استفاده کردند. قرار دادن. سپس سلول‌های T بدست‌آمده از موش‌ها را برای بیان گیرنده‌های سلول T مهندسی کردند و نشان دادند که این سلول‌ها می‌توانند تومورها را در صورت انتقال به موش از بین ببرند.
«جورج کوکوس» یکی از محققان این پروژه که در نظر دارد اولین مرحله آزمایش بالینی را برای آزمایش این فناوری در بیماران راه اندازی کند، گفت: این روش نویدبخش رفع برخی از نواقص درمان مبتنی بر لنفوسیت های نفوذ کننده تومور است. به خصوص برای بیمارانی که با تومورهایی سر و کار دارند که قادر به پاسخگویی به چنین درمان هایی نیستند. تلاش های مشترک ما در حال ایجاد یک روش کاملاً جدید برای درمان سلول T است.
یک مدل پیش‌بینی‌کننده جدید می‌تواند همراه با الگوریتم‌های متعدد برای درمان شخصی‌شده سرطان استفاده شود که درمان را با ترکیب سلولی منحصربه‌فرد تومورهای هر بیمار منطبق می‌کند.
به گزارش ساینس دیلی، «الکساندر هراری» از «مرکز تحقیقات سرطان لودویگ» که به همراه «رمی پترماند» فارغ التحصیل این مرکز سرپرستی این پژوهش را بر عهده داشتند، گفت: اجرای هوش مصنوعی در سلول درمانی کار جدیدی است. و شاید بتواند روش درمانی را تغییر دهد و گزینه های بالینی جدیدی را در اختیار بیماران قرار دهد.
ایمونوتراپی سلولی شامل استخراج سلول‌های ایمنی از تومور بیمار، مهندسی آنها برای تقویت توانایی‌های طبیعی مبارزه با سرطان و پیوند مجدد آنها به بدن پس از رشد است. سلول های T یکی از دو نوع اصلی گلبول های سفید یا لنفوسیت ها هستند که در خون گردش می کنند و سلول های آلوده به ویروس یا سرطان را جستجو می کنند.
سلول های T که به تومورهای جامد نفوذ می کنند به عنوان لنفوسیت های نفوذ کننده تومور (TILs) شناخته می شوند. با این حال، همه لنفوسیت های نفوذ کننده تومور در شناسایی و حمله به سلول های تومور موثر نیستند. هراری تصریح کرد: در واقع تنها بخشی از لنفوسیت ها به تومور واکنش نشان می دهند و بیشتر آنها ناظر هستند. چالشی که ما با آن روبرو بودیم شناسایی تعداد کمی از لنفوسیت های نفوذ کننده تومور بود. این لنفوسیت ها مجهز به گیرنده های سلول T هستند که می توانند آنتی ژن های روی تومور را تشخیص دهند.
برای انجام این کار، هراری و تیمش یک مدل پیش‌بینی مبتنی بر هوش مصنوعی به نام TRTpred ایجاد کردند که می‌تواند گیرنده‌های سلول T یا TCR را بر اساس واکنش‌پذیری تومور هدف رتبه‌بندی کند. برای توسعه TRTpred، آنها از ۲۳۵ گیرنده سلول T جمع آوری شده از بیماران مبتلا به ملانوم متاستاتیک که قبلاً به عنوان واکنش دهنده تومور یا غیر واکنش طبقه بندی شده بودند، استفاده کردند. گروه تحقیقاتی پروفایل بیان ژن سلول های T را که هر گیرنده سلول T را دارند در مدل یادگیری ماشینی بارگذاری کردند تا الگوهایی را شناسایی کنند که سلول های T واکنش دهنده به تومور را از همتایان غیرفعال خود متمایز می کند.
هراری توضیح داد که TRTpred می تواند از یک جمعیت سلول T یاد بگیرد و یک قانون برای اعمال در یک جمعیت جدید ایجاد کند. بنابراین، وقتی با یک گیرنده سلول T جدید مواجه می‌شویم، این مدل می‌تواند مشخصات آن را بخواند و پیش‌بینی کند که آیا تومور پاسخ می‌دهد یا خیر.
مدل TRTpred لنفوسیت‌های نفوذکننده تومور را در ۴۲ بیمار مبتلا به ملانوم و سرطان‌های دستگاه گوارش، ریه و پستان مورد تجزیه و تحلیل قرار داد و گیرنده‌های سلول T واکنش‌پذیر به تومور را با دقت ۹۰ درصد شناسایی کرد. محققان فرآیند ایران تحلیل لنفوسیت های نفوذ کننده به تومور خود را با استفاده از یک فیلتر ثانویه که فقط سلول های T واکنش دهنده به تومور را غربال می کند، اصلاح کردند. یعنی فقط سلول هایی که ارتباط قوی با آنتی ژن های تومور دارند.
هراری گفت: “TRTpred منحصراً پیش بینی می کند که آیا گیرنده سلول T به تومور واکنش نشان می دهد یا نه، اما برخی از گیرنده های واکنش دهنده تومور اتصال قوی به سلول های تومور ایجاد می کنند و بنابراین بسیار موثر هستند.” در حالی که دیگران از روی تنبلی این کار را انجام می دهند. تمایز بین ارتباطات قوی و ضعیف نشان دهنده اثربخشی است.
به گفته ی ایسنا محققان نشان دادند که سلول‌های T که توسط TRTpred و الگوریتم ثانویه به عنوان واکنش‌دهنده تومور شناسایی می‌شوند، اغلب در تومورها قرار دارند. یافته های این مطالعه با سایر مطالعات همخوانی دارد که نشان می دهد سلول های T موثر معمولا به عمق تومور نفوذ می کنند.
سپس، محققان فیلتر سومی را برای به حداکثر رساندن تشخیص آنتی ژن های تومور معرفی کردند. هراری گفت: “ما می خواهیم این شانس را که لنفوسیت های نفوذ کننده تومور تا حد ممکن آنتی ژن های مختلف را هدف قرار دهند، به حداکثر برسانیم.”
این فیلتر نهایی گیرنده های سلول T را بر اساس خواص فیزیکی و شیمیایی مشابه در چندین گروه سازماندهی می کند. فرضیه محققان این است که گیرنده های سلول T در هر خوشه همان آنتی ژن را تشخیص می دهند. وینسنت زویت، محقق مرکز تحقیقات سرطان لودویگ که الگوریتم های خوشه بندی گیرنده سلول T را توسعه داده است، می گوید: «بنابراین ما یک گیرنده سلول T را در هر خوشه برای تقویت برای افزایش شانس هدف قرار دادن یک آنتی ژن خاص ایران تحلیل می کنیم.
محققان ترکیب فیلترهای TRTpred و الگوریتمی را “MixTRTpred” می نامند.
برای تایید روش خود، گروه هراری تومورهای انسانی را در موش کاشته، گیرنده های سلول T را از لنفوسیت های نفوذ کننده تومور استخراج کردند و از سیستم MixTRTpred برای شناسایی سلول های T واکنش دهنده به تومور و آنتی ژن های متعدد در تومور هدف استفاده کردند. قرار دادن. سپس سلول‌های T بدست‌آمده از موش‌ها را برای بیان گیرنده‌های سلول T مهندسی کردند و نشان دادند که این سلول‌ها می‌توانند تومورها را در صورت انتقال به موش از بین ببرند.
«جورج کوکوس» یکی از محققان این پروژه که در نظر دارد اولین مرحله آزمایش بالینی را برای آزمایش این فناوری در بیماران راه اندازی کند، گفت: این روش نویدبخش رفع برخی از نواقص درمان مبتنی بر لنفوسیت های نفوذ کننده تومور است. به خصوص برای بیمارانی که با تومورهایی سر و کار دارند که قادر به پاسخگویی به چنین درمان هایی نیستند. تلاش های مشترک ما در حال ایجاد یک روش کاملاً جدید برای درمان سلول T است.
کد خبر ۲۰۱۰۳۰۲۲۲.۴۲۸
