UCLA Health
AI model predviđa ishode oboljelih od raka
Istraživači su otkrili da određeni geni koji kodiraju epigenetske čimbenike u tumorima imaju prediktivnu povezanost s kliničkim ishodom kod različitih vrsta raka.
![AI model predviđa ishode oboljelih od raka AI model predviđa ishode oboljelih od raka](/var/ezflow_site/storage/images/zdravlje/ai-model-predvida-ishode-oboljelih-od-raka/689297-1-cro-HR/AI-model-predvida-ishode-oboljelih-od-raka_VIDIClanakNaslovna.jpg)
Istraživači iz UCLA Health Jonsson Comprehensive Cancer Centra sa Sveučilišta u Kaliforniji u Los Angelesu, razvili su model umjetne inteligencije temeljen na epigenetskim čimbenicima koji može uspješno predvidjeti ishode preživljavanja pacijenata oboljelih od više vrsta raka.
Istraživači su otkrili da ispitivanjem obrazaca genske ekspresije epigenetskih čimbenika koji utječu na to kako se geni uključuju ili isključuju u tumorima, mogu obrasce kategorizirati u različite skupine kako bi predvidjeli ishode pacijenata kod različitih vrsta raka bolje od tradicionalnih mjera.
Ovi nalazi , opisani u časopisu Communications Biology, također postavljaju temelje za razvoj ciljanih terapija usmjerenih na regulaciju epigenetskih čimbenika u terapiji raka, kao što su histon acetiltransferaze i SWI/SNF remodelatori kromatina.
"Tradicionalno se na rak gledalo prvenstveno kao na rezultat genetskih mutacija unutar onkogena ili supresora tumora", rekla je suautorica Hilary Coller, profesorica molekularne, stanične i razvojne biologije te članica UCLA Health Jonsson Comprehensive Cancer Center i Eli i Edythe Broad Center za regenerativnu medicinu i istraživanje matičnih stanica na UCLA. "Međutim, pojava naprednih tehnologija sekvenciranja sljedeće generacije učinila je da više ljudi shvati da su stanje kromatina i razine epigenetskih čimbenika koji održavaju to stanje važni za rak i napredovanje raka. Postoje različiti aspekti stanja kromatina, poput toga jesu li proteini histona modificirani ili sadrže li baze nukleinske kiseline DNA dodatne metilne skupine, koji mogu utjecati na ishode raka. Razumijevanje ovih razlika između tumora moglo bi nam pomoći da saznamo više o tome zašto neki pacijenti drugačije reagiraju na tretmane i zašto se njihovi ishodi razlikuju."
Kako bi vidjeli postoji li odnos između epigenetskih obrazaca i kliničkih ishoda, istraživači su analizirali obrasce ekspresije 720 epigenetskih čimbenika kako bi klasificirali tumore iz 24 različite vrste raka u različite skupine.
Od 24 vrste raka kod odraslih, tim je otkrio da su za 10 vrsta raka klasteri povezani sa značajnim razlikama u ishodima pacijenata, uključujući preživljenje bez progresije bolesti, preživljenje specifično za bolest i ukupno preživljenje.
To je posebno vrijedilo za adrenokortikalni karcinom, karcinom svijetlih stanica bubrega, niži stupanj glioma mozga, hepatocelularni karcinom jetre i adenokarcinom pluća, gdje su razlike bile značajne za sva mjerenja preživljenja.
Klasteri s lošim ishodima imali su veći stadij raka, veću veličinu tumora ili ozbiljnije pokazatelje širenja.
Tim je potom upotrijebio razine ekspresije gena epigenetskog faktora za obuku i testiranje AI modela za predviđanje ishoda pacijenata. Ovaj model je posebno dizajniran za predviđanje što bi se moglo dogoditi za pet tipova raka koji su imali značajne razlike u mjerenjima preživljenja.
Znanstvenici su otkrili da model može uspješno podijeliti pacijente s ovih pet vrsta raka u dvije skupine, jednu sa znatno većim izgledima za bolje ishode i drugu s većim izgledima za lošije ishode.
Također su vidjeli da se geni koji su bili najvažniji za model umjetne inteligencije značajno preklapaju s potpisnim genima koji definiraju klaster.
Učitavam komentare ...