Ein Forschungsteam der McGill University hat ein KI-Tool entwickelt, das kleine Zellgruppen erkennen kann, die maßgeblich zur Entwicklung aggressiver Krebserkrankungen beitragen.
Das Tool mit dem Namen SIDISH hilft Wissenschaftlern dabei, gezielte Behandlungen zu entwickeln, indem es diejenigen Tumorzellen hervorhebt, die am engsten mit ungünstigen Behandlungsergebnissen für den Patienten verbunden sind. So wird vermieden, dass alle Krebszellen so behandelt werden, als verhielten sie sich gleich.
In einer in
Nature Communications veröffentlichten präklinischen Studie konnte die SIDISH-Methode in Tumorproben von Patienten mit Bauchspeicheldrüsen-, Brust- oder Lungenkrebs, die im Labor analysiert wurden, „Hochrisiko“-Zellen identifizieren.
Funktionsweise des Tools
Die wichtigste Neuerung der SIDISH-Methode liegt in ihrer Fähigkeit, eine Verbindung zwischen dem, was in den Zellen passiert, und den Behandlungsergebnissen der Patienten herzustellen – eine langjährige Herausforderung in der Krebsforschung.
„Einerseits sind Daten auf Einzelzellebene sehr detailliert, stammen aber in der Regel nur von einer kleinen Anzahl von Patienten und geben selten Aufschluss über den tatsächlichen Krankheitsverlauf. Andererseits enthalten Patientendaten, die oft global analysiert werden, zwar Informationen zum Überleben, stellen aber einen Durchschnitt der Signale von Millionen von Zellen dar, was es unmöglich macht, die seltenen, aber gefährlichen Zellen zu identifizieren, die die Krankheit antreiben“, erklärt Yasmin Jolasun, Doktorandin am Fachbereich Medizin der McGill University und Hauptautorin der Studie.
Mit den derzeitigen Computertools ist es schwierig, diese beiden Datentypen effektiv zu kombinieren.
„Unser Tool ermöglicht es, diese beiden Welten zu vereinen. Es kann die Zellen erkennen, die am stärksten mit einem schnellen Krankheitsverlauf verbunden sind, und liefert Hinweise auf das Überleben der Patienten“, präzisiert Yasmin Jolasun.
Sie fügt hinzu, dass die SIDISH-Methode zwar zunächst für die Krebserkrankung getestet wurde, aber auch für andere komplexe Krankheiten eingesetzt werden könnte, bei denen Unterschiede zwischen den Zellen eine wichtige Rolle spielen.
SIDISH steht für „Semi-supervised Iterative Deep Learning for Identifying Single-cell High-Risk Populations“ (halbüberwachtes iteratives Deep Learning zur Identifizierung von Hochrisikopopulationen auf Einzelzellebene).
Vorhersage von Therapiezielen vor Labortests
Neben der Identifizierung des Problems ermöglicht das SIDISH-Tool auch die Simulation der Reaktion der Hochrisikozellen auf die Aktivierung oder Deaktivierung bestimmter Gene, was dabei hilft, vielversprechende therapeutische Zielstrukturen zu bestimmen.
„Da es normalerweise Jahre der Forschung durch Versuch und Irrtum braucht, um die richtigen Zielstrukturen zu finden, könnte dieser Ansatz die Medikamentenentwicklung beschleunigen“, freut sich Jun Ding, leitender Autor der Studie, außerordentlicher Professor am Fachbereich Medizin der McGill University und Nachwuchswissenschaftler am Forschungsinstitut des McGill University Health Centre.
So würde beispielsweise der Tumor eines Patienten mittels Einzelzellsequenzierung analysiert, dann würde das SIDISH-Tool die Zellen identifizieren, die den Tumor antreiben, ihre Reaktion auf verschiedene Medikamente simulieren und eine eingegrenzte Liste der vielversprechendsten Behandlungen erstellen, erklärt der Forscher.
„Kurzfristig könnte die SIDISH-Methode es uns ermöglichen, basierend auf öffentlichen Datensätzen neue Anwendungen für bereits von der FDA zugelassene Medikamente zu finden. Langfristig könnte das Tool den Prozess der Medikamentenentwicklung grundlegend verändern“, so Jun Ding.
Das Tool befindet sich in der Entwicklungsphase und wird noch nicht in der klinischen Praxis eingesetzt. Das Forschungsteam versucht, die SIDISH-Methode auf andere Krankheiten anzuwenden, und arbeitet mit Partnerunternehmen zusammen, um sie zu verfeinern.
Quelle: McGill University