В свете этого исследовательская группа во главе с профессором Сангуком Кимом из отдела наук о жизни POSTECH привлекает внимание, успешно повышая точность прогнозов реакции на противораковые препараты, используя данные, наиболее близкие к реакции реального человека. Команда разработала эту технику машинного обучения с помощью алгоритмов, которые изучают транскриптомную информацию из искусственных органоидов, полученных от реальных пациентов, а не от животных моделей.
Эти результаты исследования были опубликованы 30 октября в международном журнале Nature Communications.
Даже пациенты с одним и тем же раком по-разному реагируют на противораковые препараты, поэтому индивидуальное лечение считается первостепенным при разработке лечения. Однако текущие прогнозы были основаны на генетической информации о раковых клетках, что ограничивало их точность. Из-за ненужной информации о биомаркерах в машинном обучении возникала проблема обучения на основе ложных сигналов.
Чтобы повысить точность прогнозов, исследовательская группа представила алгоритмы машинного обучения, которые используют сеть взаимодействия белков, которая может взаимодействовать с целевыми белками, а также транскриптом отдельных белков, которые напрямую связаны с мишенями лекарств. Он вызывает обучение продукции транскриптома белка, который функционально близок к целевому белку. Благодаря этому могут быть изучены только избранные биомаркеры вместо ложных биомаркеров, которые необходимо было изучить при обычном машинном обучении, что увеличивает точность.
Кроме того, данные органоидов, полученных от пациентов, а не моделей на животных, были использованы для уменьшения расхождения ответов у реальных пациентов. С помощью этого метода пациенты с колоректальным раком, получавшие 5-фторурацил, и пациенты с раком мочевого пузыря, получавшие цисплатин, были сопоставимы с фактическими клиническими результатами.