"Иммунная система организма очень хорошо распознает клетки, которые действуют странно. К ним относятся клетки, которые могут развиться в опухоли или рак в будущем », – говорит Федерика Эдуати из отдела биомедицинской инженерии TU / e. "После обнаружения иммунная система поражает и убивает клетки."
Остановить атаку
Но это не всегда так просто, поскольку опухолевые клетки могут разработать способы скрыться от иммунной системы.
"К сожалению, опухолевые клетки могут блокировать естественный иммунный ответ.
Белки на поверхности опухолевой клетки могут отключать иммунные клетки и эффективно переводить их в спящий режим », – говорит Оскар Лапуэнте-Сантана, доктор философии в группе вычислительной биологии.
К счастью, есть способ разбудить иммунные клетки и восстановить их противоопухолевый иммунитет, и он основан на иммунотерапии.
Представляем иммунотерапию
Иммунотерапия – это лечение рака, которое помогает иммунной системе бороться с раковыми клетками. Один из типов иммунотерапии включает в себя блокаторы иммунных контрольных точек (ICB), которые представляют собой лекарства, которые говорят иммунным клеткам игнорировать приказы о выключении, исходящие от раковых клеток.
Открытие ICB было революционным для лечения рака, и Джеймс П. Эллисон и Тасуку Хондзё совместно получили Нобелевскую премию 2018 года по физиологии и медицине за свою работу над ICB.
Хотя ICB успешно используется для лечения большого количества пациентов и различных типов рака, только одна треть пациентов реагирует на лечение.
«ICB оказал большое влияние, но оно могло бы быть больше, если бы мы могли быстро выяснить, какие пациенты с наибольшей вероятностью отреагируют на лечение», – говорит Эдуати. «И было бы здорово, если бы мы могли понять, почему другие пациенты не реагируют на ICB."
Чтобы решить эту проблему, Лапуенте-Сантана и Эдуати вместе с коллегами Майсой ван Гендерен (TU / e), Питером Хильберсом (TU / e) и Франческой Финотелло (Медицинский университет Инсбрука) обратились к машинному обучению, чтобы предсказать реакцию пациентов. в ICB.
Их работа только что опубликована в журнале Patterns.
Поиск в микросреде опухоли
Чтобы предсказать, ответит ли пациент на ICB, исследователям сначала нужно было найти определенные биомаркеры в образцах опухолей пациентов.
«Опухоли содержат больше, чем просто опухолевые клетки, они также содержат несколько различных типов иммунных клеток и фибробластов, которые могут играть про- или противоопухолевую роль, и они взаимодействуют друг с другом», – объясняет Лапуенте-Сантана. «Нам нужно было выяснить, как сложные регуляторные механизмы в микросреде опухоли влияют на реакцию на ICB. Мы обратились к наборам данных по секвенированию РНК, чтобы обеспечить высокоуровневое представление нескольких аспектов микросреды опухоли."
Чтобы найти правильные механизмы, которые могут служить биомаркерами для прогнозирования реакции пациентов на ICB, команда исследовала микросреду опухолей, используя вычислительные алгоритмы и наборы данных из предыдущего клинического лечения пациентов.
«Наборы данных по секвенированию РНК общедоступны, но информация о том, какие пациенты ответили на терапию ICB, доступна только для небольшой группы пациентов и типов рака», – говорит Эдуати. "Итак, мы использовали трюк, чтобы решить проблему с данными."
Хитрость
Для своего трюка, вместо того, чтобы искать фактический биологический ответ на лечение ICB, исследователи выбрали несколько замещающих иммунных ответов из тех же наборов данных.
Несмотря на то, что они не являются основным ответом на ICB, вместе они могут использоваться как индикатор эффективности ICB.
Благодаря такому подходу команда могла использовать большой общедоступный набор данных с тысячами образцов пациентов для надежного обучения моделей машинного обучения.
«Существенной проблемой в этой работе было правильное обучение моделей машинного обучения. Изучив замещающие иммунные реакции во время тренировочного процесса, мы смогли решить эту проблему », – говорит Лапуенте-Сантана.
Используя модели машинного обучения, исследователи затем проверили точность модели на разных наборах данных, где был известен фактический ответ на лечение ICB. «Мы обнаружили, что в целом наша модель машинного обучения превосходит биомаркеры, которые в настоящее время используются в клинических условиях для оценки лечения ICB», – говорит Эдуати.
Но почему Эдуати, Лапуенте-Сантана и их коллеги обращаются к математическим моделям для решения проблемы лечения??
Заменит ли это врача? «Математические модели могут дать общую картину того, как отдельные молекулы и клетки взаимосвязаны, и в то же время приблизить поведение опухолей у конкретного пациента. В клинических условиях это означает, что лечение иммунотерапией с помощью ICB может быть индивидуализировано для пациента. Важно помнить, что модели могут помочь врачам в выборе лучшего лечения, они не заменят их."говорит Эдуати.
Кроме того, модель также помогает понять, какие биологические механизмы важны для биологической реакции. Понимание и определение механизмов, которые опосредуют ответ ICB, могут помочь определить, как лучше всего сочетать ICB с другими методами лечения для повышения его клинической эффективности. Однако для этого сначала потребуется экспериментальная проверка выявленных механизмов, прежде чем переводить эти результаты в клинические условия.
Не боится мечтать
Подход машинного обучения, представленный в документе, также использовался некоторыми исследователями для участия в испытании DREAM под названием «Задача DREAM для прогнозирования ответа Anti-PD1."
DREAM – это организация, занимающаяся разработкой краудсорсинговых задач с использованием алгоритмов в биомедицине. «Мы заняли первое место в одном из подзадач и соревновались под названием cSysImmunoOnco team», – добавляет Эдуати.
Наша иммунная система может быть эффективным детективом и охотником за болезнями, но время от времени ей нужна рука помощи, чтобы искоренить неуловимых злодеев, таких как раковые клетки. Иммунотерапия с использованием блокаторов иммунных контрольных точек – один из таких подходов, но он работает не для всех.
Лапуенте-Сантана, Эдуати и его коллеги, безусловно, осмелились мечтать, и их работа может оказаться решающей в быстром выявлении тех, кого можно было бы успешно лечить с помощью ICB в будущем.
Благодаря машинному обучению исследователи надеются быстро предоставить правильное и эффективное лечение рака конкретным пациентам.
А для некоторых раковых клеток это означает, что некуда бежать и негде спрятаться.