ИИ научился находить раковые клетки, из-за которых опухоль возвращается

Опухоль можно удалить, облучить и добить химией, а через год или два она возвращается. Ответственность за это чаще всего лежит на крошечной популяции клеток, которая ведёт себя как стволовая. Они переживают терапию, какое-то время сидят тихо, а потом заново отстраивают опухоль. Найти их в образце тяжело: их мало, единого надёжного маркера у них нет, а по профилю экспрессии они легко маскируются под соседей.

Исследователи представили фреймворк ACSCeND (AI-based Cancer Stem-like Cell Profiler and Neoplasm Deconvoluter), который ищет именно такие клетки и заодно определяет, на какой стадии развития находится каждая из них.

ACSCeND раскладывает стволовоподобные клетки по трём классам: pluripotent-like, multipotent-like и unipotent-like. Логика биологическая: чем шире потенциал клетки, тем больше клеточных линий она способна породить и тем опаснее она для прогноза. Плюрипотентноподобные способны восстановить опухоль почти с нуля, унипотентноподобные заперты в одном направлении дифференцировки. Такое разделение даёт не просто метку наличия проблемы, а градацию риска внутри одного образца.

Классификатор собран как ансамбль и обучен примерно на 40 тысячах стволовых клеток из восьми референсных наборов данных. Затем модель прогнали по 2,4 миллиона клеток из 49 исследований, охватывающих 12 типов солидных опухолей.

Вторая часть системы интереснее с инженерной точки зрения. Секвенирование отдельных клеток стоит дорого, поэтому основной массив исторических данных по опухолям собран в формате bulk RNA-seq, где сигнал усреднён по всему образцу. ACSCeND использует нейросетевой движок деконволюции, который восстанавливает долю скрытых стволовоподобных популяций из такого усреднённого профиля. Благодаря этому открываются архивы, которые уже лежат в публичных репозиториях: авторы прогнали больше 25 тысяч профилей опухолей, включая 7020 образцов TCGA и 6402 образца PRECOG, плюс наборы данных по рецидивам и иммунотерапии.

Высокая доля плюрипотентноподобных клеток оказалась связана с худшей безрецидивной выживаемостью и слабым ответом на иммунотерапию. У таких клеток подсвечивались программы WNT/бета-катенин, гипоксии, гликолиза и репарации ДНК, то есть набор, который давно подозревают в устойчивости к лечению.

У той же группы раньше была платформа OncoMark, которая предсказывала ключевые признаки прогрессии рака с точностью выше 99 процентов. ACSCeND продолжает ту же линию и переходит от описания свойств опухоли к оценке того, какие клетки внутри неё способны её перезапустить.

Перед нами ретроспективная аналитика на публичных датасетах. Модель обучена на референсных наборах стволовых клеток и наследует их смещения, а деконволюция bulk-данных остаётся оценкой, прямого наблюдения клеток здесь нет. Клинической валидации пока тоже нет, так что любые решения по терапии потребуют проспективных исследований. В роли инструмента приоритизации гипотез и пациентов подход 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

Исходный пост в X: https://x.com/SciTechera/status/2087543952173867277