Использование глубокого обучения для точной терапии рака

Алтуна Акалин и его команда в Центре Max Delbrück разработали новый инструмент для более точного лечения рака. Описанный в статье, опубликованной в Nature Communications, инструмент, который называется Flexynesis, использует глубокие нейронные сети и оценивает многомодальные данные.

Почти 50 новых раковых терапии одобрены каждый год. Это хорошие новости. «Но для пациентов и их лечащих врачей становится все труднее отслеживать и выбирать методы лечения, из которых пострадали люди – каждый из которых имеет свои индивидуальные характеристики опухоли – принесет пользу больше всего», – говорит доктор Алтуна Акалин, глава биоинформатики и технологий Data Data Science в Берлинском институте медицинской биологии Max Delbrück Center (MDCBIMB). Исследователь в течение некоторого времени работал над разработкой инструментов, которые используют искусственный интеллект для постановки более точных диагнозов, а также определяют лучшую форму терапии, адаптированную для отдельных пациентов.

Команда Акалина в настоящее время разработала инструментарий под названием Flexynesis, который не зависит исключительно на классическое машинное обучение, но также использует глубокое обучение для оценки очень разных типов данных одновременно, например, многоэмоциональных данных, а также специально обработанных текстов и изображений, таких как компьютерные или МРТ -сканирование. «Таким образом, это позволяет врачам поставить лучшие диагнозы, прогнозировать и разрабатывать более точные стратегии лечения для своих пациентов», – говорит Акалин. Flexynesis подробно описан в статье, опубликованной в природе.

«Мы проводим несколько трансляционных проектов с врачами, которые хотят идентифицировать биомаркеры из многоомических данных, которые соответствуют результатам заболевания»,-говорит доктор Бора Уйар, первый и совместный автор публикации. «Несмотря на то, что для этой цели было опубликовано много методов глубокого обучения, большинство из них оказалось негибким, привязанным к конкретным задачам моделирования или трудным для установки и повторного использования. Этот разрыв побудил нас создать гибкий, как правильный инструментарий, который гибкий для различных задач моделирования и упакован на PYPI, Guix, Docker, Bioconda и Galaxy Pipelynes».

Глубокое обучение – это подполе машинного обучения, которое выходит за рамки простых нейронных сетей с одним или двумя вычислительными слоями, вместо этого используя глубокие сети, которые работают с сотнями или даже тысячами слоев. «Рак и другие сложные заболевания возникают из -за взаимодействия различных биологических факторов, например, на уровнях ДНК, РНК и белка», – объясняет Акалин. Характерные изменения на этих уровнях, такие как количество белка HER2, продуцируемого при раке молочной железы или желудка, часто регистрируются, но обычно еще не анализируются в сочетании со всеми другими факторами, относящимися к терапии.

Именно здесь появляется Flexynesies. «Споковые инструменты до сих пор часто были трудно использовать, либо полезны только для ответа на определенные вопросы», – говорит Акалин. «Flexynesis, напротив, может одновременно отвечать на различные медицинские вопросы: например, какой тип рака участвует, какие лекарства особенно эффективны в этом случае, и как это повлияет на шансы пациента на выживание». Инструмент также помогает идентифицировать подходящие биомаркеры для диагностики и прогноза, или – если обнаружены метастазы неизвестного происхождения, – для выявления первичной опухоли. «Это облегчает разработку комплексных и персонализированных стратегий лечения для всех видов больных раком», – говорит Акалин.

В прошлом году Акалин представил еще один инструмент на основе искусственного интеллекта, который под названием Onconaut, который также помогает определить правильную терапию рака. «Onconaut полагается на известные биомаркеры, результаты клинических испытаний и текущие руководящие принципы – так что он работает по совершенно другому принципу», – объясняет Акалин. «Инструмент не станет устаревшим, а скорее может быть полезным дополнением к гибковой связи».

Одним из препятствий, которые новый инструмент все еще должен преодолеть, по крайней мере, в Германии, является тот факт, что данные с несколькими амиками еще обычно не собираются в больницах. «В США, с другой стороны, эти данные часто обсуждаются в досках больничных опухолей, где врачи из разных специальностей совместно планируют лечение своих пациентов», – говорит Акалин. И его команда показала, что данные могут быть использованы для точного прогнозирования, будет ли конкретное лечение эффективным. «В Германии подробные данные с несколькими амиками до сих пор использовались только в флагманских программах, таких как Master Program по редким видам рака»,-добавляет он. Но это может скоро измениться.

Акалин подчеркивает, что пользователи его инструмента, который в настоящее время нацелен в основном на врачей и клинических исследователей и постоянно обновляется, не должны иметь особого опыта работы с глубоким обучением. «Я надеюсь, что это снижает барьеры для больниц и исследовательских групп для проведения мультимодальной интеграции данных, то есть одновременного анализа данных OMIC, письменных отчетов и изображений, даже без экспертов по ИИ на их стороне», – говорит он. Flexynesis легко доступен в Интернете, а также инструкции по использованию инструмента.

Uyar B, Svchyn T, Naghsh Nilchi A, Savyn Nilchi A, Savyn Nilchi A, W.
Flexynesis: инструментарий глубокого обучения для массовой интеграции данных с мультиамическими данными для точной онкологии и за его пределами.
Общий нат. 2025 сентября 12; 16 (1): 8261. doi: 10.1038/s41467-025-63688-5