Dữ liệu lớn và AI đáp ứng nghiên cứu ung thư

Cách tiếp cận mới tận dụng trí tuệ nhân tạo, máy học và dữ liệu lớn để khám phá các loại thuốc đa chức năng

Nhiều bệnh nhân ung thư trải qua điều trị bằng nhiều loại thuốc, mỗi loại tấn công ung thư theo một cách khác nhau, vì vậy sự kết hợp này sẽ chống lại ung thư trên nhiều mặt. Nhưng nhiều loại thuốc hơn có nghĩa là nguy cơ tác dụng phụ cao hơn.

Avinash (Avi) Sahu, Tiến sĩ, trợ lý giáo sư tại Trung tâm Ung thư Toàn diện của Đại học New Mexico cho biết: “Hầu hết liệu pháp điều trị ung thư hiện nay là điều trị kết hợp. Sahu gia nhập UNM từ Harvard và Viện Ung thư Dana-Farber. “Chúng tôi muốn tìm ra loại thuốc có thể ngăn chặn hai con đường gây ung thư cùng một lúc.”

Nhưng thay vì dành hàng giờ trong phòng thí nghiệm, Sahu quay sang máy tính của mình.

Sahu và nhóm nghiên cứu của ông đã tạo ra hai cách tiếp cận. Đầu tiên, được gọi là BiopotentR, sử dụng dữ liệu bộ gen có sẵn công khai để tìm ra các loại thuốc có thể tấn công ung thư theo nhiều cách và xác định các gen mà thuốc nhắm đến. Phương pháp thứ hai áp dụng các phương pháp học máy đối với thông tin này để dự đoán cách mọi người sẽ phản ứng với liệu pháp miễn dịch.

Học máy tương tự như cách mọi người học. Giống như việc mọi người học những điều mới — chẳng hạn như đi xe đạp hoặc lái ô tô — thông qua nhiều kinh nghiệm, máy học do máy tính điều khiển sẽ đồng hóa một lượng lớn dữ liệu và thu thập các mẫu mà sau đó có thể áp dụng cho các tác vụ khác.

Nhưng chỉ riêng dữ liệu nghiên cứu về ung thư là không đủ để Sahu và nhóm của ông dự đoán mọi người sẽ phản ứng thế nào với một loại thuốc. Họ cần dữ liệu sinh học bổ sung mà sau đó họ có thể áp dụng cho bệnh nhân ung thư và phản ứng với thuốc điều trị ung thư. Về mặt học máy, họ cần học hỏi từ bối cảnh sinh học và áp dụng kiến ​​thức đó vào bối cảnh ung thư; đó là một kỹ thuật được gọi là học chuyển giao.

Sahu và nhóm của anh ấy đã hợp tác với một công ty để tìm ra một hợp chất nhắm vào ứng cử viên gen ung thư hàng đầu mà họ đã xác định bằng BipotentR. Trong thử nghiệm tiền lâm sàng, họ xác nhận rằng dự đoán của họ là chính xác.

Nhưng công việc có thể được mở rộng, Sahu nói.

Ông nói: “Khi các khối u có các mục tiêu thuốc đa chức năng hoạt động quá mức, bệnh nhân ít có khả năng đáp ứng với liệu pháp miễn dịch hơn. “Tuy nhiên, những bệnh nhân mắc các loại khối u này có thể được hưởng lợi từ sự kết hợp giữa liệu pháp miễn dịch và thuốc đa chức năng.”

Công việc của nhóm không chỉ giới hạn ở các mục tiêu trao đổi chất và miễn dịch; nó có thể được điều chỉnh để khám phá hai yếu tố bất kỳ để tìm ra các loại thuốc đa năng tốt hơn. Sahu cho biết phương pháp này do đó mang đến một cơ hội thú vị cho nghiên cứu mới trong nhiều dự án tập trung vào bệnh ung thư.

Và khám phá thuốc nhanh hơn có nghĩa là thuốc được cá nhân hóa chính xác hơn.

Giới thiệu về Avinash Sahu, Tiến sĩ

Avinash Sahu, Tiến sĩ, là Trợ lý Giáo sư tại Trường Y thuộc Đại học New Mexico, thuộc Khoa Nội, Khoa Tin học Dịch thuật. Anh ấy gia nhập khoa UNM vào tháng 2023 năm XNUMX. Tiến sĩ Sahu có bằng tiến sĩ của Đại học Maryland. Nghiên cứu của anh ấy tập trung vào các ứng dụng học máy và học sâu để cải thiện hiểu biết và điều trị ung thư.

Giấy tham khảo

“Khám phá các mục tiêu cho thuốc chống ung thư chuyển hóa miễn dịch xác định Thụ thể liên quan đến Estrogen Alpha” đã được xuất bản trực tuyến vào ngày 27 tháng 2023 năm XNUMX, trên tạp chí Cancer Discovery (https://aacrjournals.org/CancerDiscovery). Các tác giả là: Avinash D. Sahu, Xiaoman Wang, Phillip Munson, Jan Klomp, Xiaoqing Wang, Shengqing Gu, Gege Qian, Phillip Nicol, Zexian Zeng, Chenfei Wang, Collin Tokheim, Wubing Zhang, Jingxin Fu, Jin Wang, Nishanth U. Nair, Joost Rens, Meriem Bourrajjaj, Bas Jansen, Inge Leenders, Jaap Lemmers, Mark Musters, Sanne van Zanten, Laura van Zelst, Jenny Worthington, Myles Brown, Jun S. Liu, Dejan Juric, Cliff A. Meyer, Arthur Oubrie, X. Shirley Liu, David E. Fisher, Keith T. Flaherty.