هوش مصنوعی سلول‌های قاتل سرطان را شناسایی می‌کند_صبح سریع

یک مدل پیش‌بینی‌کننده تازه را می‌توان همراه با چندین الگوریتم‌ برای درمان‌ سرطان به طور شخصی‌سازی‌شده به کار برد که درمان را با ترکیب سلولی بی همتا تومورهای هر بیمار منطبق می‌کند.

به نقل از ساینس دیلی، «الکساندر هراری»(Alexandre Harari) از «مرکز پژوهش سرطان لودویگ»(Ludwig Cancer Research) که این پژوهش را به همراه «رمی پترماند»(Rémy Pétremand) فارغ‌التحصیل این مرکز سرپرستی کرده است، او گفت: اجرای هوش مصنوعی در سلول‌درمانی یک کار تازه است و احتمالا بتواند روش درمان را تحول دهد و گزینه‌های بالینی جدیدی را به بیماران اراعه کند.

ایمنی‌درمانی سلولی شامل استخراج سلول‌های ایمنی از تومور بیمار، مهندسی کردن آنها برای تحکیم توانمندیهای طبیعی در مبارزه با سرطان و انتقال مجدد آنها به بدن بعد از رشد یافتن است. سلول‌های T یکی از دو نوع مهم گلبول‌های سفید یا لنفوسیت‌ها می باشند که در خون گردش می‌کنند و به جستوجو سلول‌های آلوده به ویروس یا سرطان می‌گردند.

سلول‌های T که به تومورهای جامد نفوذ می‌کنند، به گفتن «لنفوسیت‌های نفوذکننده تومور»(TIL) شناخته خواهد شد. با وجود این، همه لنفوسیت‌های نفوذکننده تومور در شناسایی و دعوا به سلول‌های تومور موثر نیستند. هراری گفت: در واقع تنها بخشی از لنفوسیت‌ها به تومور عکس العمل نشان خواهند داد و زیاد تر آنها ناظر می باشند. چالشی که ما پیش روی خود قرار دادیم، این می بود که تعداد اندکی را از لنفوسیت‌های نفوذکننده تومور شناسایی کنیم. این لنفوسیت‌ها به گیرنده‌های سلول T تجهیزمی باشند که می‌توانند آنتی‌ژن‌ها را روی تومور تشخیص دهند.

هراری و گروهش برای این کار، یک مدل پیش‌بینی مبتنی بر هوش مصنوعی را گسترش دادند که «TRTpred» نام دارد و می‌تواند «گیرنده‌های سلولT » یا «TCRs» را بر پایه عکس العمل‌پذیری تومور مقصد آنها رتبه‌بندی کند. برای گسترش TRTpred، آنها از ۲۳۵ گیرنده‌ سلول T جمع‌آوری‌شده از بیماران مبتلا به ملانومای متاستازشده منفعت گیری کردند که پیشتر به گفتن عکس العمل‌دهنده یا غیر عکس العمل‌دهنده به تومور طبقه‌بندی شده بودند. این گروه پژوهشی، مشخصات گفتن ژن سلول‌های T حامل هر گیرنده‌ سلول T را در یک مدل یادگیری ماشینی بارگذاری کردند تا الگوهایی را شناسایی کنند که سلول‌های T عکس العمل‌دهنده به تومور را از همتایان غیرفعال آنها نزدیک می‌سازند.

هراری گفت: TRTpred می‌تواند از یک جمعیت سلول T یاد بگیرد و قانونی را تشکیل کند تا برای جمعیت تازه اعمال شود. به این علت، هنگامی با یک گیرنده‌ سلول T تازه مواجه می‌شویم، این مدل می‌تواند مشخصات آن را بخواند و پیش‌بینی کند که آیا تومور عکس العمل‌دهنده است یا خیر.

مدلTRTpred  لنفوسیت‌های نفوذکننده تومور را در ۴۲ بیمار مبتلا به ملانوما و سرطان‌های دستگاه گوارش، ریه و پستان تحلیل کرد و گیرنده‌های سلول T عکس العمل‌دهنده به تومور را با دقت ۹۰ درصد شناسایی کرد. پژوهشگران فرآیند انتخاب لنفوسیت‌های نفوذکننده تومور خود را با منفعت گیری از یک فیلتر ثانویه اصلاح کردند که تنها سلول‌های T عکس العمل‌پذیر به تومور را غربالگری می‌کند؛ یعنی فقط سلول‌هایی که اتصال قوی به آنتی‌ژن‌های تومور دارند.

هراری او گفت: TRTpred منحصرا پیش‌بینی‌کننده‌ عکس العمل‌پذیر بودن یا نبودن گیرنده‌ سلول T به تومور است اما برخی از گیرنده‌های عکس العمل‌گر به تومور یک اتصال قوی را با سلول‌های تومور برقرار می‌کنند و به همین علت زیاد مؤثر می باشند. این در حالی است که برخی دیگر با تنبلی این کار را انجام خواهند داد. اختلاف اتصال‌های قوی و ضعیف، اثربخشی را مشخص می کند.

پژوهشگران نشان دادند سلول‌های T که توسط TRTpred و الگوریتم ثانویه به‌ گفتن عکس العمل‌دهنده تومور شناسایی شده‌اند، زیاد تر در تومورها جا می‌گیرند. یافته‌های این پژوهش با دیگر پژوهش‌هایی هم‌سو می باشند که نشان خواهند داد سلول‌های T موثر طبق معمول به عمق تومور نفوذ می‌کنند.

سپس، پژوهشگران یک فیلتر سوم را برای به حداکثر رساندن تشخیص آنتی‌ژن‌های تومور معارفه کرد. هراری او گفت: ما می‌خواهیم شانس این که لنفوسیت‌های نفوذکننده تومور تا حد ممکن آنتی‌ژن‌های گوناگون را مقصد قرار دهند، به حداکثر برسانیم.

این فیلتر نهایی، گیرنده‌های سلول T را بر پایه ویژگی‌های فیزیکی و شیمیایی شبیه در چندین گروه سازمان‌دهی می‌کند. فرضیه پژوهشگران این است که گیرنده‌های سلول T در هر خوشه همان آنتی‌ژن را تشخیص خواهند داد. «وینسنت زوئت»(Vincent Zoete) پژوهشگر مرکز پژوهش سرطان لودویگ که الگوریتم‌های گروه‌بندی گیرنده‌های سلول T را گسترش داده است، او گفت: به این علت ما در هر خوشه، یک گیرنده‌ سلول T را برای تحکیم کردن انتخاب می‌کنیم تا شانس مقصد قرار دادن یک آنتی‌ژن اشکار را به حداکثر برسانیم.

پژوهشگران، ترکیب TRTpred و فیلترهای الگوریتمی را «MixTRTpred» می‌نامند.

گروه هراری برای قبول روش خود، تومورهای انسانی را در بدن موش‌ها کاشتند، گیرنده‌های سلول T را از لنفوسیت‌های نفوذکننده تومور آنها استخراج کردند و سیستم MixTRTpred را برای شناسایی سلول‌های T به کار بردند که نسبت به تومور عکس العمل داشتند و آنتی‌ژن‌های بسیاری را در تومور مقصد قرار دادند. سپس، آنها سلول‌های T به‌دست‌آمده از موش‌ها را برای گفتن گیرنده‌های سلول T مهندسی کردند و نشان دادند که این سلول‌ها می‌توانند تومورها را در صورت انتقال به موش از بین ببرند.

«جورج کوکوس»(George Coukos) یکی از پژوهشگران این پروژه که در حال برنامه‌ریزی برای راه‌اندازی مرحله اول آزمایش بالینی است تا این فناوری را در بیماران آزمایش ‌کند، او گفت: این روش نویدبخش تسلط بر برخی از کاستی‌های درمان مبتنی بر لنفوسیت‌های نفوذکننده تومور، به‌ اختصاصی برای بیمارانی است که با تومورهای ناتوان در جواب دادن به این چنین درمان‌هایی مقابله می‌کنند. کوششهای مشترک ما روش کاملا جدیدی را از درمان با سلول T تشکیل می‌کنند.

این پژوهش در مجله «Nature Biotechnology» به چاپ رسید.