Neseniai atliktas tyrimas pristatė naują metodą, jungiantį nanoinformatiką ir mašininį mokymąsi, kad būtų galima tiksliai numatyti vėžio ląstelių elgesį, leidžiantį nustatyti ląstelių subpopuliacijas, pasižyminčias skirtingomis savybėmis, tokiomis kaip jautrumas vaistams ir metastazavimo potencialas.
Šis tyrimas galėtų pakeisti vėžio diagnozę ir gydymą, patobulindamas individualizuotą mediciną, palengvindamas greitą ir tikslų vėžio ląstelių elgsenos tyrimą iš pacientų biopsijų ir galbūt paskatins naujų klinikinių tyrimų, skirtų ligos progresavimui ir gydymo veiksmingumui stebėti, kūrimą.
Siekdama svarbios pažangos kovojant su vėžiu, Hebrajų universiteto tyrimų grupė sukūrė naują metodą, leidžiantį labai tiksliai prognozuoti vėžio ląstelių elgesį. Šis novatoriškas metodas, jungiantis nanoinformatiką ir mašininį mokymąsi, galėtų pakeisti vėžio diagnostiką ir gydymą, nes leistų greitai identifikuoti vėžio ląstelių subpopuliacijas, turinčias skirtingą biologinį elgesį.
Naujame tyrime, kurį vedė doktorantas Yoelis Goldsteinas ir prof. Ofra Benny iš Medicinos fakulteto Farmacijos mokyklos, bendradarbiaudami su Prof. Tommy Kaplan, Inžinerijos ir informatikos mokyklos Skaičiavimo biologijos katedros vedėju. Hebrajų universitetas, Hebrajų universitetas, buvo sukurtas novatoriškas metodas vėžio ląstelių elgsenai prognozuoti naudojant nanoinformatiką ir mašininį mokymąsi. Tyrimas publikuojamas žurnale Mokslo pažanga.
Šis atradimas gali lemti reikšmingą vėžio diagnostikos ir gydymo proveržį, leidžiantį paprastais ir greitais testais identifikuoti vėžio ląstelių subpopuliacijas su skirtingomis savybėmis.
Pradiniame tyrimo etape vėžio ląstelės buvo eksponuojamos įvairaus dydžio dalelėmis, kurių kiekviena buvo identifikuojama pagal unikalią spalvą. Vėliau buvo kiekybiškai įvertintas tikslus kiekvienos ląstelės sunaudotų dalelių kiekis. Mašininio mokymosi algoritmai išanalizavo šiuos įsisavinimo modelius, kad prognozuotų kritinį ląstelių elgesį, pvz., Jautrumą vaistams ir metastazavimo potencialą.
„Mūsų metodas yra naujas savo gebėjimu atskirti vėžio ląsteles, kurios atrodo identiškos, bet biologiniu lygmeniu elgiasi skirtingai“, – paaiškino Goldsteinas.
„Šis tikslumas pasiekiamas atliekant algoritminę analizę, kaip ląstelės absorbuoja mikro ir nanodaleles. Galimybė rinkti ir analizuoti naujų tipų duomenis atveria naujas galimybes šioje srityje, kuri gali pakeisti klinikinį gydymą ir diagnostiką kuriant naujus įrankiai“.
Tyrimas atvėrė kelią naujų tipų klinikiniams tyrimams, kurie galėtų reikšmingai paveikti pacientų priežiūrą. „Šis atradimas leidžia mums potencialiai panaudoti ląsteles iš pacientų biopsijų, kad greitai prognozuotume ligos progresavimą arba atsparumą chemoterapijai“, – teigė prof. Benny.
„Tai taip pat galėtų paskatinti naujoviškų kraujo tyrimų, kurie kaip pavyzdį įvertintų tikslinės imunoterapijos gydymo efektyvumą, kūrimą.
Dabartinėms vėžio prognozavimo ir nustatymo priemonėms dažnai trūksta tikslumo ir efektyvumo. Tradiciniai metodai, tokie kaip vaizdo skenavimas ir audinių biopsijos, gali būti invaziniai, brangūs ir daug laiko reikalaujantys, todėl gydymas vėluoja ir gali būti klaidingai diagnozuotas.
Šie metodai gali neatspindėti dinamiško vėžio progresavimo pobūdžio ir gali riboti įžvalgas apie ligos elgesį ląstelių lygiu. Todėl pacientams gali vėluoti diagnozė, gali būti neoptimalūs gydymo rezultatai ir padidėti psichologinė kančia.
Tai pabrėžia, kad skubiai reikia veiksmingesnių ir neinvazinių diagnostikos priemonių, tokių kaip neseniai Hebrajų universiteto mokslininkų pasiektas proveržis, kuris yra reikšmingas individualizuotos medicinos pažanga, suteikiantis vilties veiksmingesnėms ir pritaikytoms vėžio pacientų gydymo strategijoms.