Machine learning findet mehrere Faktoren zugrunde liegen Krebs-Immuntherapie Erfolg

Eine Universität von Maryland-led-research-team ist mit einem Zweig der künstlichen Intelligenz, bekannt als machine learning, um gezieltere Immuntherapie-Behandlung, um diejenigen, die davon profitieren werden.

Immuntherapien, die eine person, die eigene Immunsystem, um Krebs zu bekämpfen, produziert haben, die revolutionäre Ergebnisse in den letzten Jahren, einschließlich die Aushärtung Menschen, die mit zuvor inoperablen, fortgeschrittenen Erkrankung. Solche stellaren Erfolge angetrieben haben einige dieser Medikamente, der standard der Versorgung für die Behandlung von vielen Formen von Krebs. Und doch, die meisten von Ihnen arbeiten nur für eine Minderheit der Patienten. In einigen Fällen sind es weniger als 20 von 100 Patienten profitieren.

Verbessern deutlich die Verwendung von Immuntherapie und die Verringerung der Kosten von erfolglosen, und damit unnötige Behandlungen liegt darin, genauer die Vorhersage, welche Patienten profitieren.

Markus (Max) Leiserson, assistant professor für computer science an der University of Maryland, und seine Kollegen von Microsoft Research und Memorial Sloan Kettering Cancer Center glauben, dass der Weg zu besseren Vorhersagen liegt in einer neuen computer-Modellierung, zur Analyse von Daten auf mehrere Facetten der Patienten und Ihrer Krebserkrankung gleichzeitig. In einer kürzlich veröffentlichten Studie in der Zeitschrift PLOS One, Leiserson und seine Kollegen verwendeten Daten aus einer klinischen Studie von Blasenkrebs-Patienten zu zeigen, dass Ihr Ansatz identifizieren konnte, eine suite von features, die genau vorausgesagt werden, eine Schlüssel-Reaktion des Immunsystems auf die Behandlung, während die Verringerung der über die Behandlung um die Hälfte.

„Wenn es Ihr Ziel ist, zu behandeln jeder in diesem bestimmten Datensatz, die reagieren, die Art der multifaktoriellen Modellierung zeigen wir in diesem Papier, lassen wir Sie tun, dass während der Behandlung viel weniger Leute, die nicht reagieren,“ sagte Leiserson, das Papier der führende Autor und ein Assistent professor in der Abteilung für Computer Science an der UMD. Leiserson begann die Durchführung dieser Studie war, während er als Postdoktorand an Microsoft Research New England, und weiterhin als Berater für das Unternehmen.

„Was auch spannend über diese Studie,“ sagte er, „ist, dass wir nicht nur einen Blick auf das Patienten-outcome, aber zu einem bestimmten marker der Immunantwort, die uns ein viel besseres Bild von dem, was Los ist.“

Im Gegensatz dazu, Leiserson und Kollegen zeigten, dass Ihre multifaktorielles Modell am computer Vorhersagen, welche Patienten profitieren würden, konnten nur 38 Prozent derjenigen, die nicht profitieren, während immer noch die Erfassung von 100 Prozent der Patienten. Der Schlüssel, den Sie gefunden haben, war um drei verschiedene Arten von Daten, etwas, was derzeit nicht standard in Krebs-Studien oder Behandlungen.

Obwohl Immuntherapie Forscher beginnen zu sammeln mehr Informationen über Krebs-Patienten und Ihre Reaktionen auf die Therapie, der Schwerpunkt liegt immer noch weitgehend auf der Suche nach ein paar wichtige Markierungen, die sich als wichtige Prädiktoren für den Erfolg. Die Lösung kann jedoch weitaus komplexer. Es kann nicht sein, nur eine Handvoll von wichtigen Merkmalen oder Markern, die für alle Patienten, und diejenigen, die vorhanden sind, sind wahrscheinlich die Funktion in eine komplizierte Kombination.

„Die Leute realisieren, dass die Vorhersage der Reaktion wird mehr und mehr angemessen und notwendig ist, und in der Lage sein, dies zu tun, um die traditionelle Form der einzelnen biomarker-Ansatz ist nicht immer genug“, Leiserson, sagte.

Generieren Sie Ihre computer-Modell, Leiserson und sein team analysierten Daten aus einer klinischen Studie mit einem einzigartig reichhaltigen Daten, die erfassten Informationen über Tumorzellen, Immunzellen und Patienten-Informationen, wie demographische Daten und medizinische Vorgeschichte. Wie viele Studien, die Studie war gezielt auf der Suche nach key features im Zusammenhang mit einer spezifischen Reaktion auf das Medikament. Erkennen das Potenzial in einem solchen multi-modalen Daten festlegen, die Forscher sahen eine Möglichkeit zur Anwendung des maschinellen Lernens auf das problem.Die Forschungsarbeit „Ein multifaktorielles Modell der T-Zell-expansion und dauerhaften klinischen nutzen in der Antwort auf eine PD-L1-Hemmer, der“ Mark D. M. Leiserson, Vasilis Syrgkanis, Amy Gilson, Miroslav Dudik, Sharon Gillett, Jennifer Chayes, Christian Borgs, Dean F. Bajorin, Jonathan E. Rosenberg, Samuel Funt, Alexandra Snyder, Lester Mackey, veröffentlicht wurde Sie gefüttert 36 verschiedene Funktionen in Ihr Modell und erlaubt dem computer, Muster zu erkennen, die Vorhersage Erhöhungen der potenziellen tumor-kämpfende Immunzellen im Blut der Patienten nach der Behandlung. (In der Studie Patienten, die expansion von T-Zellen im Blut nach der Therapie war assoziiert mit progression-free survival.)

Der resultierende Algorithmus identifiziert 20 features, die, wenn analysiert zusammen, erklärten 79 Prozent der variation in den Patienten Immunantwort. Nach Leiserson, dies bedeutet, dass der ungewöhnlich umfassenden Satz von Funktionen gesammelt für diese Patienten ist ausreichend, um vorherzusagen, den Patienten Immunantwort mit hoher Genauigkeit.

Noch wichtiger ist, fanden Sie, dass, wenn Sie eliminiert eine der drei Kategorien von Daten aus dem Modell (tumor -, Daten -, immun-Zell-Daten und Patienten-klinische Daten), die Immunantwort war nicht mehr berechenbar—Ihr Modell kann nur voraussagen, höchstens 23 Prozent der variation. Leiserson betont, dass es nicht unbedingt die 20 Eigenschaften, die wichtig sind, sondern das Vertrauen auf eine multifaktorielle Ansatz.

„Diese Funktionen, die wir identifiziert möglicherweise nicht die einzigen Funktionen, die verwendet werden können, um vorherzusagen, wie ein patient reagieren wird“, sagte er. „Möglicherweise gibt es andere, die Sie ersetzen könnten diese mit, aber es geht um die Methode und die Einbeziehung aller drei Kategorien von Funktionen.“

Leiserson, sieht diese Arbeit als eine Natürliche parallele zu den derzeitigen Bemühungen in der Präzision der Onkologie, deren Ziel die individuelle Anpassung der Behandlung an der Genetik und molekularen profile der einzelnen Patienten‘ Tumoren.

„Wir werden versuchen, vorherzusagen, was passieren wird, für einen einzigen Patienten anhand Ihrer molekularen Profil und die klinische Geschichte“, sagte er. „Es geht um den Aufbau eines Verständnisses der molekularen Landschaft des Tumors, die zusätzliche Informationen über das Gewebe oder das, was der tumor sieht aus wie unter dem Mikroskop.“

Das Modell entwickelten die Wissenschaftler nicht bereit ist verwendet zu werden, als Diagnose-tool, weil es nur integriert Daten von 21 Patienten, die viel zu wenige zu sein Vorhersagewert für die Allgemeine Bevölkerung. Leiserson sagten, Sie hoffen, zu add-Patienten zu dem Modell, als mehr Daten kommt. Er hofft, dass die Studie den Erfolg ermutigen, Krankenhäuser und andere Forscher, die Zeit zu investieren und Mühe in das sammeln mehr Informationen, als Sie es traditionell.