Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les chercheurs produisent le système d'AI ce des tumeurs de correspondances aux meilleures associations médicamenteuses

Seulement 4 pour cent de tous les médicaments thérapeutiques de cancer en cours de développement gagnent l'approbation finale par les États-Unis Food and Drug Administration (FDA).

C'est parce qu'en ce moment nous ne pouvons pas apparier l'assemblage correct des médicaments aux patients droits d'une voie sèche. Et particulièrement pour le cancer, où nous ne pouvons pas toujours prévoir quels médicaments fonctionneront meilleur donné les seuls, complexes fonctionnements internes des cellules tumorales d'une personne. »

Trey Ideker, PhD, professeur, École de Médecine et centre de lutte contre le cancer de Moores, Université de Californie San Diego

Dans un publié de papier le 20 octobre 2020 en cellule cancéreuse, Ideker et Brent Kuenzi, PhD, et stationnement de Jisoo, PhD, chercheurs post-doctoraux dans son laboratoire, décrivent DrugCell, un système neuf (AI) d'artificial intelligence qu'ils ont produit que non seulement les tumeurs de correspondances aux meilleures associations médicamenteuses, mais fait ainsi d'une manière dont a du sens pour des êtres humains.

« La plupart des systèmes d'AI sont « les boîtes noires » -- ils peuvent être très prévisionnels, mais nous ne connaissons pas réellement tous ce que beaucoup au sujet de la façon dont elles fonctionnent, » a dit Ideker, qui est également codirecteur de l'initiative de plan de cellule cancéreuse et du moyen national pour la biologie de réseau.

Il a donné à l'exemple de la voie une recherche d'images d'Internet pour des travaux de « chat ». Des systèmes d'AI fonctionnant dans les coulisses sont formés sur les images existantes de chat, mais comment ils marquent réellement une image neuve en tant que le « chat » et pas « rat » ou l'autre chose est inconnu.

Pour que l'AI soit utile dans la santé, Ideker a dit, nous devons pouvoir voir à l'intérieur de la boîte noire pour comprendre comment le système arrive à ses conclusions. « Nous devons savoir pourquoi cette décision est prise, quelles voies ces médicaments recommandés visent et les raisons d'une réaction au traitement positive ou de son refus. »

Le travail de l'équipe sur DrugCell a commencé il y a plusieurs années en levure. Dans une étude précédente, elles ont établi un système DCell appelé d'AI utilisant des informations sur les gènes et les mutations des cellules de levure. DCell a prévu des comportements cellulaires, tels que l'accroissement, tous extérieur « la boîte noire. »

DrugCell, une version de la deuxième génération de DCell, a été formé sur plus de 1.200 lignées cellulaires de tumeur et leurs réactions presque à 700 approuvés par le FDA et à médicaments thérapeutiques expérimentaux -- un total de plus de 500.000 pairings de lignée cellulaire/médicament. Les chercheurs ont également validé certaines des conclusions de DrugCell dans des expériences de laboratoire.

Avec DrugCell, l'équipe peut des caractéristiques d'entrée au sujet d'une tumeur et le système renvoie le médicament le plus connu, les voies biologiques qui réaction de contrôle à ce médicament, et des combinaisons des médicaments au meilleur festin la malignité.

Le traitement du cancer de précision est déjà procurable au centre de lutte contre le cancer de Moores à la santé d'Uc San Diego, où les patients peuvent avoir une biopsie de leur tumeur ordonnancée pour des mutations et évaluée par le conseil moléculaire de tumeur, un groupe d'experts interdisciplinaire.

Le carton recommande des traitements personnalisés basés sur la seule altération génomique et toute autre information du patient. Une étude récente a montré que ces patients ont de meilleurs résultats. D'une certaine manière, DrugCell simule le conseil moléculaire humain de tumeur.

« Nous avons été étonnés par à quel point DrugCell pouvait traduire des lignées cellulaires de laboratoire, est qui sur ce que nous avons formé le modèle, aux tumeurs chez les souris et les patients, ainsi que des caractéristiques de test clinique, » Kuenzi a dit.

L'objectif ultime de l'équipe est d'entrer DrugCell dans des cliniques au profit des patients, mais l'attention d'auteurs d'étude il reste beaucoup de travail à faire.

« Tandis que 1.200 lignées cellulaires est un bon début, il est naturellement non représentatif de la pleine hétérogénéité du cancer, » Park a dit. « Notre équipe ajoute maintenant des caractéristiques plus unicellulaires et de différentes structures de essai de médicament. Nous espérons également partner avec les études cliniques existantes d'encastrer DrugCell comme outil de diagnostic, le vérifiant à titre estimatif dans le monde réel. »

Source:
Journal reference:

Kuenzi, B. M., et al. (2020) Predicting Drug Response and Synergy Using a Deep Learning Model of Human Cancer Cells. Cancer Cell. doi.org/10.1016/j.ccell.2020.09.014.