محققان مرکز پزشکی UT Southwestern و دانشگاه تگزاس MD مرکز سرطان اندرسون یک روش هوش مصنوعی برای تعیین ایمنی ضد سرطان ایجاد کردند.

به گفته محققان ، تکنیک pMTnet می تواند روش های تحلیلی پیش بینی کننده ای را برای نتیجه گیری پیش آگهی سرطان و پاسخ ایمنی درمانی ایجاد کند.

تعیین اینکه کدام نئوآنتی ژن ها به گیرنده های سلول T متصل می شوند و کدام یک غیرممکن به نظر نمی رسد. با یادگیری ماشین ،می توان به پیشرفت رسید. جهش در ژنوم سلول های سرطانی باعث می شود که آنها نئوآنتی ژن های مختلف را روی سطح خود نشان دهند. برخی از این نئوآنتی ژن ها توسط سلول های T ایمنی شناسایی می شوند که علائم سرطان و مهاجمان خارجی را جستجو می کنند و باعث می شود سلول های سرطانی توسط سیستم ایمنی از بین بروند. با این حال ، برخی از نئوآنتی ژن ها برای سلول های T نامرئی به نظر می رسند و باعث می شوند که آنها بدون کنترل رشد کنند.

با تجزیه و تحلیل پیش بینی برای تعیین اینکه کدام نئوآنتی ژن ها توسط سلول های T شناخته می شوند ، محققان می توانند واکسن های سرطان شخصی ، درمانهای مبتنی بر سلول های t بهتر را ایجاد کنند یا نحوه پاسخ بیماران به ایمونوتراپی های مختلف را پیش بینی کنند.

از آنجایی که ده ها هزار نئوآنتی ژن و روش مختلف برای پیش بینی نتایج وجود دارد که می تواند زمانبر ، از نظر فنی چالش برانگیز و پرهزینه باشد ، محققان استفاده از یادگیری ماشین را مورد بررسی قرار دادند.

این تیم یک الگوریتم مبتنی بر یادگیری عمیق به نام pMTnet را با استفاده از داده های ترکیبات اتصال دهنده یا غیرقابل اتصال به سه جزء مختلف آموزش داد: نئوآنتی ژن ها ، مجموعه های اصلی سازگاری بافتی (MHCs) و گیرنده های سلول T (TCRs).

محققان الگوریتم را بر اساس مجموعه داده ای که از 30 مطالعه مختلف تهیه شده بود ، آزمایش کردند که به طور تجربی جفت گیرنده های سلول T غیر اتصال دهنده یا غیر الزام آور را شناسایی کرده بودند و نشان می داد که الگوریتم جدید دقیق است.

محققان از این ابزار برای جمع آوری اطلاعات در مورد نئوآنتی ژن های فهرست شده در اطلس ژنوم سرطان استفاده کردند و نشان دادند که نئوآنتی ژن ها معمولاً پاسخ ایمنی قوی تری نسبت به آنتی ژن های مرتبط با تومور ایجاد می کنند.

201000707.001