Η Τεχνητή Νοημοσύνη δείχνει την πιθανότητα επιτυχίας της χημειοθεραπείας ενάντια στον καρκίνο
Επιστήμονες της Ιατρικής Σχολής του Πανεπιστημίου της Καλιφόρνιας στο Σαν Ντιέγκο, αξιοποίησαν έναν αλγόριθμο μηχανικής μάθησης με τη βοήθεια της Τεχνητής Νοημοσύνης για να αντιμετωπίσουν μια από τις μεγαλύτερες προκλήσεις που «μάχονται» οι ερευνητές στον «πόλεμο» κατά του καρκίνου: Την πρόβλεψη «πότε ο καρκίνος θα αντισταθεί στη χημειοθεραπεία». Η πρωτοποριακή μελέτη δημοσιεύθηκε στο περιοδικό «Cancer Discovery».
Ενώ οι επιστήμονες αναγνωρίζουν ότι η γενετική σύνθεση ενός όγκου επηρεάζει σε μεγάλο βαθμό την ειδική ανταπόκρισή του στα φάρμακα, το τεράστιο πλήθος μεταλλάξεων που εντοπίζονται στους όγκους έχει καταστήσει την πρόβλεψη της αντίστασης στα φάρμακα μια δύσκολη υπόθεση.
Ο νέος αλγόριθμος ξεπερνά αυτό το εμπόδιο διερευνώντας πως οι πολυάριθμες γενετικές μεταλλάξεις επηρεάζουν συλλογικά την αντίδραση ενός όγκου στα φάρμακα που εμποδίζουν την αντιγραφή του DNA στα ταχέως διαιρούμενα καρκινικά κύτταρα.
Οι ερευνητές δοκίμασαν το μοντέλο σε όγκους καρκίνου του τραχήλου της μήτρας, όπου περίπου το 35% των όγκων «επιμένει» μετά τη θεραπεία. Το μοντέλο μπόρεσε να εντοπίσει όγκους που διατρέχουν τον μεγαλύτερο κίνδυνο για ανθεκτικότητα στη θεραπεία και ήταν σε θέση να ανακαλύψει μεγάλο μέρος του υποκείμενου μοριακού μηχανισμού που οδηγεί σε αυτήν.
«Οι κλινικοί γιατροί γνώριζαν προηγουμένως μερικές μεμονωμένες μεταλλάξεις που σχετίζονται με την αντίσταση στη θεραπεία, αλλά αυτές έτειναν να μην έχουν σημαντική προγνωστική αξία. Ο λόγος είναι ότι ένας πολύ μεγαλύτερος αριθμός μεταλλάξεων μπορεί να διαμορφώσει την ανταπόκριση ενός όγκου στη θεραπεία απ' ότι είχε εκτιμηθεί προηγουμένως», εξήγησε ο Δρ Τρέι Ίντεκερ, καθηγητής στο Τμήμα Ιατρικής του Πανεπιστημίου της Καλιφόρνιας, προσθέτοντας: «Η τεχνητή νοημοσύνη γεφυρώνει αυτό το κενό στην κατανόησή μας, δίνοντας τη δυνατότητα να αναλύσουμε μια πολύπλοκη σειρά χιλιάδων μεταλλάξεων ταυτόχρονα».
«Εκατοντάδες πρωτεΐνες συνεργάζονται σε πολύπλοκες διατάξεις για την αντιγραφή του DNA», σημείωσε ο Ίντεκερ. «Οι μεταλλάξεις σε οποιοδήποτε μέρος αυτού του συστήματος μπορούν να αλλάξουν τον τρόπο με τον οποίο ολόκληρος ο όγκος ανταποκρίνεται στη χημειοθεραπεία».
Οι ερευνητές επικεντρώθηκαν στο τυπικό σύνολο των 718 γονιδίων που μεταχειρίζονται συνήθως στις κλινικές γενετικές εξετάσεις για την ταξινόμηση του καρκίνου, χρησιμοποιώντας τις μεταλλάξεις εντός αυτών των γονιδίων ως αρχική είσοδο για το μοντέλο μηχανικής μάθησης. Αφού το «τάισαν» με δημόσια δεδομένα απόκρισης στα φάρμακα, το μοντέλο εντόπισε 41 μοριακές συναρμογές -ομάδες συνεργαζόμενων πρωτεϊνών- όπου οι γενετικές μεταβολές επηρεάζουν την αποτελεσματικότητα των φαρμάκων.
«Ο καρκίνος είναι μια ασθένεια βασισμένη στο δίκτυο που καθοδηγείται από πολλά διασυνδεδεμένα στοιχεία, αλλά τα προηγούμενα μοντέλα μηχανικής μάθησης για την πρόβλεψη της ανθεκτικότητας στη θεραπεία, δεν αντικατοπτρίζουν πάντα αυτό», δήλωσε ο καθηγητής, συμπληρώνοντας: «Αντί να εστιάζουμε σε ένα μόνο γονίδιο ή πρωτεΐνη, το μοντέλο αξιολογεί τα ευρύτερα βιοχημικά δίκτυα που είναι ζωτικής σημασίας για την επιβίωση του καρκίνου».
Πέραν της πρόβλεψης που σχετίζεται με την ανταπόκριση στη θεραπεία, το μοντέλο βοήθησε να πέσει φως στη διαδικασία λήψης αποφάσεων, εντοπίζοντας τις πρωτεϊνικές ομάδες που οδηγούν στην αντίσταση στη θεραπεία του καρκίνου στον τράχηλο της μήτρας. Οι ερευνητές τονίζουν ότι αυτή η πτυχή του μοντέλου -η ικανότητα ερμηνείας της συλλογιστικής του- «είναι το κλειδί για την επιτυχία, αλλά και για τη δημιουργία αξιόπιστων συστημάτων Τεχνητής Νοημοσύνης.»
«Η αποκάλυψη της διαδικασίας λήψης αποφάσεων ενός μοντέλου Τεχνητής Νοημοσύνης είναι ζωτικής σημασίας, μερικές φορές εξίσου σημαντική με την ίδια την πρόβλεψη», τόνισε ο Ίντεκερ καταλήγοντας πως: «Η διαφάνεια του μοντέλου μας είναι ένα από τα δυνατά του σημεία, πρώτον επειδή δημιουργεί εμπιστοσύνη στο ίδιο το μοντέλο και δεύτερον επειδή κάθε μια απ' αυτές τις μοριακές συναρμογές που έχουμε εντοπίσει γίνεται ένας πιθανός νέος στόχος για τη χημειοθεραπεία. Είμαστε αισιόδοξοι ότι το μοντέλο μας θα έχει ευρείες εφαρμογές, όχι μόνο στην ενίσχυση της τρέχουσας καρκινικής θεραπείας, αλλά και για νέες ακόμα πιο πρωτοποριακές».
