Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

A técnica de AI podia conduzir às maneiras novas de prever o prognóstico do cancro e a resposta do tratamento

Os pesquisadores e os cientistas dos dados no centro do sudoeste do centro médico de UT e do cancro da DM Anderson desenvolveram uma técnica da inteligência artificial que pudesse identificar que peptides da superfície da pilha produzidos por células cancerosas chamou neoantigens são reconhecidos pelo sistema imunitário.

A técnica do pMTnet, detalhada em linha na inteligência de máquina da natureza, podia conduzir às maneiras novas de prever o prognóstico do cancro e a compreensibilidade do potencial às imunoterapias.

Determinar que neoantigens ligam aos receptors de célula T e quais não fazem pareceu como um repto impossível. Mas com aprendizagem de máquina, nós estamos fazendo o progresso.”

O Dr. Tao Wang, Ph.D., estuda o autor superior, e o professor adjunto, a população e as ciências dos dados, centro médico do sudoeste de UT

As mutações no genoma das células cancerosas fazem com que indiquem neoantigens diferentes em suas superfícies. Alguns destes neoantigens são reconhecidos pelas pilhas de T imunes que caçam para sinais do cancro e de invasores estrangeiros, permitindo que as células cancerosas sejam destruídas pelo sistema imunitário. Contudo, outro parece invisível às pilhas de T, permitindo que os cancros cresçam não-verificados.

“Para o sistema imunitário, a presença de neoantigens é uma das diferenças as mais grandes entre o normal e as pilhas do tumor,” disse Tianshi Lu, primeiro co-autor com Ze Zhang, estudantes doutorais no laboratório de Tao Wang, que usa a bioinformática avançada e a bioestatística se aproxima para estudar as implicações da imunologia do tumor para o tumorigenesis, a metástase, o prognóstico, e a resposta do tratamento em uma variedade de cancros. “Se nós podemos figurar para fora que os neoantigens estimulam uma resposta imune, a seguir nós podemos poder usar este conhecimento em uma variedade de maneiras diferentes de lutar o cancro,” a Senhora Lu disse.

Poder prever que neoantigens são reconhecidos pelas pilhas de T poderia ajudar pesquisadores a desenvolver melhor vacinas personalizadas do cancro, terapias baseados em celulas do coordenador T, ou prevê como os pacientes bons puderam responder a outros tipos de imunoterapias. Mas há uns dez dos milhares de neoantigens diferentes, e uns métodos a prever qual disparador que uma resposta de célula T provou ser demorada, tècnica desafiando, e caro.

Procurarando por uma técnica melhor com o apoio das concessões dos institutos de saúde nacionais (NIH) e prevenção do cancro e instituto de investigação de Texas (CPRIT), a equipa de investigação olhou à aprendizagem de máquina. Treinaram um algoritmo aprender-baseado profundo que nomearam o pMTnet usando dados do emperramento conhecido ou das combinações nonbinding de três componentes diferentes: neoantigens; as proteínas chamaram os complexos principais do histocompatibility (MHCs) que os neoantigens actuais na célula cancerosa surgem; e os receptors de célula T (TCRs) responsáveis para reconhecer os complexos do neoantigen-MHC.

Testaram então o algoritmo contra um conjunto de dados desenvolvido de 30 estudos diferentes que tinham identificado experimental o emperramento ou pares nonbinding do pilha-receptor do neoantigen T. Esta experiência mostrou que os algoritmos novos tiveram um nível elevado de precisão.

Os pesquisadores usaram esta nova ferramenta para recolher introspecções nos neoantigens catalogados no atlas do genoma do cancro, uma base de dados pública que guardarasse a informação de mais de 11.000 tumores preliminares. o pMTnet mostrou que os neoantigens provocam geralmente uma resposta imune mais forte comparada com os antígenos tumor-associados. Igualmente previu que pacientes tiveram melhores respostas às terapias imunes do bloqueio do ponto de verificação e tiveram melhores taxas de sobrevivência totais.

“Como um imunologista, o obstáculo o mais significativo que enfrenta actualmente a imunoterapia é a capacidade para determinar que antígenos são reconhecidos por que pilhas de T a fim leverage estes pairings para finalidades terapêuticas,” disse Alexandre correspondente Reuben autor, Ph.D., professor adjunto da Torácico-Cabeça & oncologia médica do pescoço em DM Anderson. o “pMTnet outperforms suas alternativas actuais e traz-nos significativamente mais perto deste objetivo.”

Source:
Journal reference:

Lu, T., et al. (2021) Deep learning-based prediction of the T cell receptor–antigen binding specificity. Nature Machine Intelligence. doi.org/10.1038/s42256-021-00383-2.