ИИ находит скрытые раковые клетки

Опухоль удаляют, облучают и добивают химией, а через год или два она возвращается. Обычно за возврат отвечает крошечная популяция клеток со стволовыми свойствами: она переживает терапию, сидит тихо и потом заново отстраивает опухоль. Найти такие клетки в образце тяжело, потому что их мало и единого надёжного маркера у них нет.

Исследователи собрали фреймворк ACSCeND (AI-based Cancer Stem-like Cell Profiler and Neoplasm Deconvoluter), который эти клетки находит и сразу определяет их стадию развития.

Три состояния стволовости

Стволовоподобные клетки раскладываются по трём классам: pluripotent-like, multipotent-like и unipotent-like. Чем шире потенциал клетки, тем больше клеточных линий она способна породить и тем хуже прогноз. Вместо одной метки получается градация риска внутри одного образца.

Данные и архитектура

Ансамблевый классификатор обучили примерно на 40 тысячах стволовых клеток из восьми референсных наборов, а затем прогнали по 2,4 миллиона клеток из 49 исследований и 12 типов солидных опухолей.

Вторая часть системы решает более практичную задачу. Секвенирование отдельных клеток дорогое, поэтому основной массив исторических данных по опухолям лежит в формате bulk RNA-seq, где сигнал усреднён по всему образцу. Нейросетевой движок деконволюции восстанавливает долю скрытых стволовоподобных популяций прямо из такого усреднённого профиля. Так подключаются публичные архивы: авторы обработали больше 25 тысяч профилей опухолей, включая 7020 образцов TCGA и 6402 образца PRECOG, плюс данные по рецидивам и иммунотерапии.

Результаты

Высокая доля плюрипотентноподобных клеток оказалась связана с худшей безрецидивной выживаемостью и слабым ответом на иммунотерапию. У таких клеток подсвечиваются программы WNT/бета-катенин, гипоксии, гликолиза и репарации ДНК. Раньше та же группа выпустила платформу OncoMark, предсказывавшую признаки прогрессии рака с точностью выше 99 процентов.

Ограничения

Перед нами ретроспективная аналитика на публичных датасетах. Модель наследует смещения референсных наборов, деконволюция bulk-данных остаётся оценкой, клинической валидации пока нет. Для приоритизации гипотез и пациентов инструмент выглядит рабочим уже сейчас.

Статья в NAR Cancer: https://academic.oup.com/narcancer/article/8/3/zcag015/8742157

Пресс-релиз: https://dst.gov.in/ai-uncovers-hidden-cancer-stem-cells-responsible-tumour-recurrence-paving-way-precision-medicine