Искусственный интеллект предсказывает реакцию пациента на противораковую терапию

Исследователи успешно обучили алгоритм машинного обучения предсказывать эффективность лечения онкологических больных. Врачам нередко бывает очень сложно определить, какие пациенты с меланомой хорошо отреагируют на различные варианты лечения.

Новая программа глубокого обучения (DL) с открытым исходным кодом называется DeepTCR. Этот программный инструмент использует алгоритмы для анализа данных секвенирования рецепторов Т-клеток (TCRs). Кроме того, программа позволила исследователям изучить биологические методы, лежащие в основе реакции пациентов на иммунотерапию.

3D illustration of T-cells. Design Cells/iStock. Исследователи успешно обучили алгоритм машинного обучения предсказывать, какие пациенты с раком лучше всего реагируют на лечение.

Иммунная система и ответ на иммунотерапию

Исследование стало новаторским не только благодаря предсказаниям глубокого обучения, но и потому, что оно позволило исследователям увидеть, что модель узнала об иммунной системе. " Возможности DeepTCR по прогнозированию просто поражают воображение", - заявил доктор Джон-Уильям Сидхом, первый автор исследования. "Но меня еще больше восхищает то, что модель рассказала нам о реакции иммунной системы на иммунотерапию".

Ученый также отметил высокий потенциал создания будущих лекарств на основе этой информации.  "Теперь мы можем использовать эту информацию для разработки более надежных моделей и, возможно, лучших подходов к лечению многих заболеваний, даже тех, которые не относятся к онкологии".

Разработка DeepTCR

Программа DeepTCR была разработана доктором Сидхомом, когда он еще был студентом аспирантуры в Школе медицины Университета Джона Хопкинса. Она использует искусственный интеллект для обнаружения закономерностей в больших объемах данных. В конкретном случае, данные представляют собой аминокислотные последовательности белков, называемых рецепторами Т-клеток, также называемых TCR. Эти рецепторы находятся на внешней поверхности Т-клеток иммунной системы. Находясь там, TCR ожидают, когда к ним присоединится вражеский белок, например, бактерии, вирусы или раковые клетки.

Т-клетки атакуют раковую клетку.

Поверхность Т-клетки покрыта множеством TCR, но все они идентичны и могут быть атакованы одним и тем же врагом. Различные Т-клетки блуждают по организму в ожидании врагов.  Когда TCR активируется, Т-клетка высвобождает молекулы, чтобы уничтожить и убить врага, после чего она клонирует себя, чтобы укрепить свою структуру для будущих атак и усилить ответ.

Некоторые опухолевые клетки способны блокировать ответ Т-клеток, даже когда ТКР активированы. Современные препараты для иммунотерапии, называемые ингибиторами контрольных точек, содержат белки, которые препятствуют опухоли, заставляя Т-клетки реагировать на рак.  

Детали исследования

В исследовании доктор Сидхом использовал материалы, собранные в ходе предыдущих клинических испытаний. В них проверялась эффективность препарата иммунотерапии, известного как ниволумаб. Ученый сравнил полученные результаты с комбинацией двух препаратов, состоящей из ниволумаба и ипилимумаба. В исследовании приняли участие 43 пациента. У каждого из них была неоперабельная меланома.

Биопсии опухолей, содержащих Т-клетки, были взяты до и во время лечения. В предварительном исследовании не было обнаружено существенных различий у пациентов, принимавших один или два препарата.

Доктор Сидхом использовал генетическое секвенирование для выявления коллективного репертуара TCR вокруг каждой опухоли, определив тип и количество TCR в биопсии. 

Репертуар TCR. Science Advances/Nature Communications 

Затем он загрузил эту информацию в программу DeepTCR и указал алгоритму, какие наборы данных принадлежат лицам, ответившим на лечение. По завершении ввода данных программа начала искать соответствующие закономерности.

Результат оказался противоположным тому, что ожидал увидеть Сидхом. Среди пациентов, ответивших на иммунотерапию, было больше вирусоспецифических Т-клеток. Среди пациентов, не ответивших на лечение, было больше опухолеспецифических Т-клеток. Но и тех и других было почти одинаковое количество опухолеспецифических Т-клеток до и во время терапии. "Идентичность этих Т-клеток оставалась неизменной у респондеров, но у пациентов, не отвечавших на терапию, было другое разнообразие Т-клеток до и во время терапии".

Это позволило выдвинуть гипотезу о том, что у неответчиков с самого начала было большее количество неэффективных опухолеспецифических Т-клеток. Когда пациенты, не реагирующие на лечение, получали иммунотерапию, их иммунная система посылала новый набор Т-клеток, пытаясь найти наиболее эффективные. С другой стороны, у респондеров эффективные Т-клетки были с самого начала, но их противоопухолевая активность была заблокирована раком. С началом иммунотерапии блокада снималась, и Т-клетки могли функционировать должным образом.

Будущие результаты и прогнозируемость

"Применение системы глубокого обучения в DeepTCR для характеристики TCR-репертуара Т-клеток позволяет улучшить стратификацию исходов для пациентов наряду с объяснимостью модели в плане идентификации прогностических признаков", - заявил доктор Александр Барас, доцент кафедры патологии в Медицинской школе Университета Джона Хопкинса и директор по информатике точной медицины в Онкологическом центре Джона Хопкинса Киммела.

Данное исследование показывает, насколько важную информацию может предоставить искусственный интеллект для биологии рака, а также для многих других областей медицины.

Исследование было опубликовано в журнале Science Advances.

Источники: Science. Hopkins Medicine
https://www.science.org/doi/10.1126/sciadv.abq5089
https://www.hopkinsmedicine.org/news/newsroom/news-releases/software-package-enables-deeper-understanding-of-cancer-immune-responses