Как выявить недиагностируемые виды рака

Новая модель искусственного интеллекта, отображающая пути развития опухолевых клеток, может раскрыть идентичность раковых опухолей неизвестного происхождения.

Первым шагом в выборе подходящего лечения для онкологического больного является определение конкретного типа рака, включая определение первичного очага — органа или части тела, где начинается рак.

В редких случаях происхождение рака невозможно определить даже с помощью обширного тестирования. Хотя такой рак с неизвестной первичной локализацией обычно агрессивен, онкологи вынуждены лечить его нецелевыми методами терапии, которые часто обладают сильной токсичностью и приводят к низким показателям выживаемости.

Новый метод, разработанный исследователями из Института интегративных исследований рака имени Коха при Массачусетском технологическом институте (МТИ) и Массачусетской больнице общего профиля, может помочь классифицировать рак неизвестной первичной опухоли, более внимательно изучив программы экспрессии генов, связанные с ранним развитием и дифференцировкой клеток.

Информация о разработке такой технологии была опубликована в журнале Cancer Discovery.

Инструмент искусственного интеллекта способен определять типы рака с высокой степенью чувствительности и точности.

Разбор различий в экспрессии генов в разных видах опухолей неизвестного происхождения — идеальная задача для машинного обучения. Раковые клетки выглядят и ведут себя совершенно иначе, чем нормальные клетки, отчасти из-за значительных изменений в экспрессии их генов. Благодаря достижениям в области профилирования отдельных клеток и усилиям по каталогизации различных моделей экспрессии клеток в клеточных атласах, существует огромное количество данных, которые содержат подсказки о том, как и откуда возникли различные виды рака.

Однако если модель слишком сложна и учитывает слишком много особенностей экспрессии раковых генов, может показаться, что модель прекрасно усваивает обучающие данные, но при столкновении с новыми данными она дает сбой.

Чтобы найти баланс между сокращением числа признаков и извлечением наиболее важной информации, команда сосредоточила модель на признаках изменения путей развития раковых клеток. По мере развития опухоли раковые клетки теряют многие из специализированных признаков зрелой клетки. В то же время они начинают в чем-то напоминать эмбриональные клетки, поскольку приобретают способность к пролиферации, трансформации и метастазированию в новые ткани. Известно, что многие программы экспрессии генов, определяющие эмбриогенез, реактивируются или дисрегулируются в раковых клетках.

Исследователи сравнили два больших клеточных атласа, выявив корреляции между опухолевыми и эмбриональными клетками. Полученная карта корреляций между паттернами экспрессии генов развития в опухолевых и эмбриональных клетках была затем преобразована в модель машинного обучения. Ученые в итоге создали систему, названную многослойным перцептроном развития (D-MLP), которая оценивает опухоль по компонентам развития, а затем предсказывает ее происхождение.

После обучения D-MLP была применена к 52 новым образцам особо сложных случаев рака неизвестной первичной опухоли, которые не могли быть диагностированы с помощью имеющихся инструментов. Эти случаи представляли собой наиболее сложные случаи, наблюдавшиеся в больнице в течение четырех лет, начиная с 2017 года. Удивительно, но модель точно распределила опухоли по четырем категориям и дала прогнозы и другую информацию, которая может помочь в диагностике и лечении этих пациентов.

Хотя исследование представляет собой мощный подход к классификации опухолей, оно имеет некоторые ограничения. В дальнейшей работе исследователи планируют увеличить предсказательную силу своей модели, включив в нее другие типы данных, в частности, информацию, полученную из радиологии, микроскопии и других видов визуализации опухоли.