W diagnostyce nowotworów, patolodzy zazwyczaj analizują cienkie skrawki biopsji guza pod mikroskopem, aby określić jego typ i stopień zaawansowania. Aby jednak dowiedzieć się, jakie zmiany genetyczne napędzają rozwój nowotworu – co może wpłynąć na wybór odpowiedniego leczenia – konieczne jest przeprowadzenie sekwencjonowania genetycznego RNA wyizolowanego z guza. Proces ten może trwać tygodniami i kosztować tysiące dolarów.
Naukowcy z Stanford Medicine opracowali jednak narzędzie oparte na sztucznej inteligencji (AI), które potrafi przewidywać aktywność tysięcy genów w komórkach nowotworowych, bazując jedynie na standardowych obrazach mikroskopowych biopsji. Program ten, opisany w Nature Communications, został stworzony na podstawie danych pochodzących z ponad 7 000 próbek nowotworów. Zespół badaczy udowodnił, że narzędzie to umożliwia przewidywanie zmian genetycznych w nowotworach piersi oraz prognozowanie przebiegu choroby u pacjentów.
„Tego rodzaju oprogramowanie może być używane do szybkiego identyfikowania sygnatur genowych w guzach pacjentów, przyspieszając podejmowanie decyzji klinicznych i oszczędzając systemowi opieki zdrowotnej tysiące dolarów” – mówi profesor Olivier Gevaert z Wydziału Nauki o Danych Biomedycznych w Stanford i główny autor pracy.
Nad badaniami pracowali również doktoranci i postdoktoranci ze Stanford, w tym Marija Pizuria, Yuanning Zheng oraz Francisco Perez.
Genomika jako klucz do leczenia
Współczesna medycyna coraz częściej kieruje się nie tylko lokalizacją nowotworu, ale także tym, jakie geny są aktywne w guzie, co pozwala na precyzyjniejsze dobieranie terapii, takich jak chemioterapia, immunoterapia czy leczenie hormonalne. Włączanie lub wyłączanie określonych genów może sprawić, że guz stanie się bardziej agresywny, bardziej podatny na przerzuty, lub mniej lub bardziej podatny na określone leki.
Dostęp do tych informacji zwykle wymaga jednak kosztownego i czasochłonnego sekwencjonowania genomowego. Gevaert oraz jego zespół wiedzieli, że aktywność genów w komórkach nowotworowych może wpływać na ich wygląd w sposób, który często jest niedostrzegalny gołym okiem. Z pomocą przyszła sztuczna inteligencja, której zadaniem było wychwytywanie tych wzorców.
Badacze rozpoczęli od analizy 7 584 biopsji nowotworowych pochodzących z 16 różnych rodzajów raka. Każda biopsja była przygotowana i barwiona metodą hematoksylinowo-eozynową, która jest standardem w wizualizacji komórek nowotworowych. Dostępne były również dane dotyczące transkryptomu tych nowotworów – czyli informacji o tym, które geny były aktywne w danym momencie.
Model AI w akcji
Po zintegrowaniu danych z biopsji oraz innych baz danych, w tym z danych transkryptomicznych i obrazów zdrowych komórek, powstał program AI o nazwie SEQUOIA (ang. Slide-based Expression Quantification Using Linearized Attention). Narzędzie to potrafiło przewidzieć wzorce ekspresji ponad 15 000 różnych genów na podstawie obrazów biopsyjnych. W przypadku niektórych nowotworów, korelacja między prognozowaną przez AI aktywnością genetyczną a rzeczywistymi danymi wynosiła ponad 80%. Im więcej próbek z danego typu nowotworu było uwzględnionych w modelu, tym lepsza była jego skuteczność.
„Potrzebowaliśmy wielu iteracji modelu, aby osiągnąć poziom, z którego bylibyśmy zadowoleni” – wyjaśnia Gevaert. „Jednak w przypadku niektórych typów guzów, narzędzie osiągnęło skuteczność, która może być użyteczna w praktyce klinicznej.”
Lekarze zwykle nie bazują tylko na pojedynczych genach w podejmowaniu decyzji klinicznych, ale na całych sygnaturach genowych, które mogą obejmować setki genów. Na przykład wiele komórek nowotworowych aktywuje grupy genów odpowiedzialnych za procesy zapalne lub wzrost komórek. SEQUOIA wykazywała nawet jeszcze większą precyzję w przewidywaniu aktywacji takich dużych programów genomowych.
Aby dane były bardziej przystępne i zrozumiałe, badacze opracowali interfejs, który umożliwia wyświetlanie wyników genetycznych w formie wizualnej mapy biopsji guza, co pozwala naukowcom i lekarzom na łatwiejsze zrozumienie, jak zmiany genetyczne mogą różnić się w różnych obszarach guza.
Prognozowanie wyników leczenia pacjentów
Aby przetestować przydatność SEQUOIA w praktyce klinicznej, zespół Gevaerta zidentyfikował geny związane z rakiem piersi, których ekspresja mogła być dokładnie przewidywana przez model. Geny te są już wykorzystywane w komercyjnych testach genomowych raka piersi, takich jak test MammaPrint, który analizuje poziom ekspresji 70 genów związanych z rakiem piersi, aby określić ryzyko nawrotu choroby.
„Rak piersi ma wiele dobrze zbadanych sygnatur genowych, które od lat są silnie powiązane z odpowiedzią na leczenie oraz wynikami pacjentów” – mówi Gevaert. „To sprawiło, że był to idealny przypadek testowy dla naszego modelu.”
SEQUOIA była w stanie dostarczać podobne wyniki, co MammaPrint, korzystając jedynie z obrazów plamionych biopsji. Wyniki te zostały powtórzone w różnych grupach pacjentów z rakiem piersi. W każdym przypadku pacjenci oznaczeni jako wysokiego ryzyka przez SEQUOIA mieli gorsze wyniki leczenia, z wyższymi wskaźnikami nawrotu raka oraz krótszym czasem do jego nawrotu.
Choć model AI nie może jeszcze być stosowany w warunkach klinicznych – musi przejść testy kliniczne i uzyskać zatwierdzenie przez FDA – zespół Gevaerta stale rozwija algorytm i bada jego potencjalne zastosowania. W przyszłości SEQUOIA może zmniejszyć potrzebę stosowania kosztownych testów genetycznych.
„Udowodniliśmy, jak użyteczne może być to narzędzie w przypadku raka piersi, a teraz możemy je wykorzystać do wszystkich nowotworów i analizować dowolne sygnatury genowe” – podkreśla Gevaert. „To całkowicie nowe źródło danych, którego wcześniej nie mieliśmy.”
W badaniach uczestniczyli także naukowcy z Roche Diagnostics, a finansowanie badania pochodziło z różnych fundacji, w tym z National Cancer Institute oraz belgijskich funduszy naukowych.
Źródło: Stanford Medicine
