Nytt AI-verktyg karakteriserar mångfalden av individuella celler i tumörer

Nytt AI-verktyg karakteriserar mångfalden av individuella celler i tumörer

Ett multinationellt team av forskare under ledning av Garvan Institute of Medical Research har utvecklat och testat ett nytt AI-verktyg för att bättre karakterisera mångfalden av individuella celler i tumörer och öppna dörrarna till mer riktade terapier för patienter.

Resultaten av utvecklingen och användningen av AI-verktyget Aanet publicerades idag iCancer upptäckten tidskrift från American Association for Cancer Research.

Alla tumörceller är inte likadana

Tumörer består inte av bara en typ av cell - de är en blandning av olika celler som växer och svarar på behandling på olika sätt. Denna mångfald eller heterogenitet gör cancer svårare och kan i sin tur leda till sämre resultat, särskilt vid trippelnegativ bröstcancer.

Heterogenitet är ett problem eftersom vi för närvarande behandlar tumörer som om de var gjorda av samma cell. Det betyder att vi ger en terapi som dödar de flesta cellerna i tumören genom att rikta in oss på en specifik mekanism. Men inte alla cancerceller kan dela denna mekanism. Medan patienten kan få en första reaktion, kan de återstående cellerna växa och cancern kan komma tillbaka. "

Docent Christine Chaffer, medförfattare till studien och medledare för Cancer Plasticity and Dormancy Program vid Garvan

Men även om heterogenitet är ett problem, vet forskarna inte tillräckligt för att karakterisera det: "Hittills har forskare inte kunnat tydligt förklara hur närliggande celler i en tumör skiljer sig från varandra och hur vi kan klassificera dessa skillnader i meningsfulla sätt att bättre behandla tumörer.allaceller i denna tumör med rätt terapier”, tillägger docent Chaffer.

Ett nytt verktyg kännetecknar fem nya cancercellgrupper

För att lösa detta problem utvecklade och tränade teamet ett kraftfullt nytt AI-verktyg som heter Aanet som kan upptäcka biologiska mönster i celler i tumörer.

De använde sedan AI-verktyget för att avslöja mönster i genuttryck av enskilda celler i tumörer, med fokus på prekliniska modeller av trippelnegativ bröstcancer och mänskliga prover av ER-positiv, HER2-positiv och trippelbröstcancer. Därmed identifierade de fem olika cancercellgrupper inom en tumör med olika genuttrycksprofiler, vilket indikerar stora skillnader i cellbeteende.

"Med vårt AI-verktyg kunde vi konsekvent upptäcka fem nya grupper av celltyper inom individuella tumörer, kallade 'arketyper'. Varje grupp visade olika biologiska vägar och benägenhet för tillväxt, metastaser och markörer för dålig prognos. Våra nästa steg är att se hur dessa grupper kan förändras över tid, som t.ex.

Detta är en första för cancerforskning. Medledare, docent Smita Krishnaswamy vid Yale University, som ledde utvecklingen av AI-verktyget: "Tack vare tekniska framsteg har de senaste 20 åren sett en explosion av data på encellsnivå. Med dessa data fann vi att inte bara cancercancercellerna kommersiellt. Första gången som en annan studier på ett annat fall kan göra meningsfulla kopplingar till vilket är meningsfullt. rumslig tumörtillväxt och metabolomik Hitta signaturer.

Ny klassificering för att driva bättre, riktade behandlingar

Forskarna säger att användningen av AANET för att karakterisera de olika grupperna av celler i en tumör enligt deras biologi öppnar dörrar för ett paradigmskifte i behandlingen av cancer.

"För närvarande är valet av cancerbehandling för en patient till stor del baserat på det organ som cancern har såsom bröst, lunga eller prostata och alla molekylära markörer. Detta förutsätter dock att alla celler i den cancern är likadana. Istället har vi nu ett verktyg för att karakterisera heterogeniteten som kännetecknar heterogeniteten hos patienten som vi vet att de kommer att ta itu med en biologiskt stadium av patienten.varjeav dessa olika grupper genom deras biologiska vägar. Detta har potential att avsevärt förbättra resultaten för denna patient, säger docent Chaffer.

Angående tillämpningen av Aanet, medförfattare till studien och Chief Scientific Officer för Garvan Professor Sarah Kummerfeld förklarar: "Vi föreställer oss en framtid där läkare kombinerar denna AI-analys med traditionell cancerdiagnostik för att utveckla mer personliga behandlingar som riktar sig till alla celltyper i den unika tumören av celltyper. Vi kan förbättra en teknisk och biologisk förbättring av patienter. Vår studie kan ta itu med biologisk och biologisk applikation. teknologisk och biologisk biologi har sjukdomar som autoimmuna sjukdomar.

Denna forskning fick stöd i följande källor.

I Australien: The Nelune Foundation, Tour de Cure, Estee Lauder, The Kinghorn Foundation, The Paramor Family Foundation, University of New South Wales Research Grant, Ramaciotti Biomedical Research Award, ARC Development Project Grant och NHMRC Ideas Grants and Investigator Grant.

I USA: Gruber Foundation Science Fellowship och Eric and Wendy Schmidt Center vid Broad Institute of MIT och Harvard, National Science Foundation, Yale Cancer Center Pilot Grant och Sloan Fellowship.

Källor: