به گزارش ایسنا، انتخاب مؤثرترین روش درمان برای افراد مبتلا به سرطان پستان سه‌گانه منفی (TNBC) اغلب دشوار است، زیرا تومورها می‌توانند در سطح مولکولی رفتارهای بسیار متفاوتی داشته باشند. اکنون پژوهشگران یک «مدل سلول مجازی» مبتنی بر هوش مصنوعی را توسعه داده‌اند که می‌تواند به انتخاب بهترین درمان برای این نوع تهاجمی سرطان پستان کمک کند؛ این مدل با پیش‌بینی نحوه پاسخ سلول‌های توموری هر فرد به داروهای مختلف این کار را انجام می‌دهد.

به نقل از نیچر، سلول‌های سرطان پستان سه‌گانه منفی فاقد گیرنده‌های هورمون‌های استروژن و پروژسترون و همچنین فاقد گیرنده پروتئینی هستند که رشد سلول را کنترل می‌کند. همین موضوع درمان این بیماری را دشوارتر می‌کند، زیرا درمان‌های هورمونی و هدفمند نمی‌توانند سلول‌های توموری را هدف قرار دهند.

در آزمایش‌هایی که با استفاده از نمونه‌های بافتی گرفته‌ شده از افراد مبتلا به این نوع از سرطان انجام شد، مدل سلول مجازی نتایج امیدوار کننده‌ای نشان داد و توانست داروهایی را که در نهایت هنگام تجویز به افراد مؤثر واقع شدند، شناسایی کند. نویسندگان می‌گویند این یافته امکان ارائه درمان‌های شخصی‌سازی‌شده‌تر را برای سرطان پستان سه‌گانه منفی مطرح می‌کند؛ نوعی از سرطان که ۱۵ تا ۲۰ درصد موارد سرطان پستان را تشکیل می‌دهد.

مدلی با هدفی متمرکزتر

پژوهشگران مدتی است که در حال توسعه شبیه‌سازی‌های رایانه‌ای از حیات سلولی هستند. با این حال، بیشتر رویکردها شامل آموزش شبکه‌های عصبی عمیق با استفاده از داده‌های توالی‌یابی تک‌سلولی بوده‌اند و معمولا وضعیت‌های ایستای سلول را ثبت کرده‌اند.

پژوهشگران در این مطالعه تلاش کردند یک مدل سلول مجازی از سلول‌های سرطان پستان با استفاده از داده‌های پروتئومیکس ایجاد کنند. آنها یک مدل هوش مصنوعی را با بیش از ۳۸ میلیون اندازه‌گیری پروتئینی که از ۱۸ رده سلولی سرطان پستان جمع‌آوری شده بود، آموزش دادند که ۱۶ مورد از این رده‌ها مربوط به سلول‌های سرطان پستان سه‌گانه منفی بودند.

پژوهشگران سلول‌ها را با ۶۳ داروی ضدتومور مورد تایید سازمان غذا و داروی آمریکا (FDA) و ۵۹ ترکیب دارویی درمان کردند.

برای ایجاد مجموعه داده آموزشی مدل، تیم پژوهشی میزان ۵۵۸۵ گروه پروتئینی را در سلول‌های توموری پیش از درمان و پس از گذشت ۶، ۲۴ و ۴۸ ساعت از درمان دارویی اندازه‌گیری کرد.

هانی گودرزی، زیست‌شناس سامانه‌ای می‌گوید مقیاس داده‌های پروتئومیکی مورد استفاده برای آموزش این مدل منحصربه‌فرد است. به گفته او، این رویکرد جدید، روش‌هایی را در اختیار ما قرار می‌دهد که پیش از این برای مدل‌های سلول مجازی نداشتیم.

گودرزی می‌گوید جمع‌آوری داده‌ها در چند نقطه زمانی نیز برای ثبت تغییرات پویای سلول‌ها اهمیت زیادی دارد. او توضیح می‌دهد: اگر یک روند زمانی نداشته باشید، فقط تعداد زیادی تصویر ایستا در اختیار دارید.

مدل هوش مصنوعی با استفاده از اندازه‌گیری‌های پروتئینی، یاد گرفت اثر داروها بر سلول‌های سرطان پستان سه‌گانه منفی را پیش‌بینی کند و پروتئین‌هایی را که در مقاومت دارویی نقش داشتند، شناسایی کرد.

این ابزار توانست با دقت ۸۸ درصد، پاسخ سلولی به ۸۱ دارویی را که در مجموعه داده آموزشی آن وجود نداشتند، پیش‌بینی کند.

پژوهشگران همچنین در بررسی ۳۶۵۱ پروتئین در نمونه‌های بافتی تومور گرفته‌ شده از ۵۰۱ فرد مبتلا به سرطان پستان سه‌گانه منفی، پیش از آنکه شیمی‌درمانی را آغاز کنند، دریافتند که مدل آنها توانسته است پیامدهای بالینی درمان‌هایی را که این افراد دریافت کرده بودند، با دقت پیش‌بینی کند.

نمونه اولیه بالینی

برای آزمایش این مدل در یک سناریوی نزدیک‌تر به شرایط بالینی، محققان از آن برای غربالگری ۳۰۰۰ ترکیب استفاده کردند. این ترکیبات یا از قبل تأیید شده بودند یا در مرحله آزمایش‌های بالینی قرار داشتند. هدف، پیش‌بینی امیدوارکننده‌ترین ترکیب‌های دارویی برای سه فرد مبتلا به سرطان پستان سه‌گانه منفی بود.

این پیش‌بینی‌ها بر اساس نمونه‌های سلولی گرفته‌شده از بیماران پیش از آغاز درمان انجام شد؛ نمونه‌هایی که در آزمایشگاه زنده نگه داشته شده بودند.

مدل توانست همان داروهای درمانی را که به این سه فرد تجویز شده بود، به‌ درستی پیشنهاد کند و این داروها نیز مؤثر واقع شدند.

این مدل همچنین سه ترکیب دارویی را پیشنهاد کرد که بر اساس آزمایش‌های اثربخشی دارو روی نمونه‌های سلولی سرطان پستان سه‌گانه منفی، عملکرد بهتری از درمان استانداردی داشتند که این افراد دریافت کرده بودند.

این ابزار هنوز یک نمونه اولیه است و گروه پژوهشی باید کارآزمایی‌های بالینی آینده‌نگر انجام دهد تا مشخص شود آیا این روش معتبر است یا خیر.

محققان همچنین قصد دارند راه‌هایی برای بهبود این ابزار پیدا کنند؛ از جمله آموزش مدل با استفاده از درمان‌های ایمنی ضدسرطان که در مطالعه فعلی وارد نشده‌اند.

گودرزی می‌گوید به نظر می‌رسد مدل فعلی نحوه برهم‌کنش پروتئین‌ها با یکدیگر را به‌ طور کامل ثبت نمی‌کند و پژوهش‌های آینده می‌توانند این موضوع را بررسی کنند و همچنین اثر دوزهای مختلف داروها را مورد آزمایش قرار دهند. در نهایت، این یافته‌ها به پژوهشگران کمک خواهند کرد تا رویکردهای مدل‌سازی مشترکی را آغاز کنند که بیان پروتئین‌ها و بیان ژن‌ها را با یکدیگر ترکیب می‌کنند.