DeepSomatic: AI od Google precyzyjnie identyfikuje genetyczne przyczyny nowotworów

Google zaprezentował DeepSomatic, przełomowe narzędzie AI, które z niespotykaną dotąd precyzją identyfikuje mutacje genetyczne odpowiedzialne za rozwój nowotworów. To obiecujący krok w kierunku spersonalizowanej medycyny onkologicznej.

Nowotwory powstają, gdy mechanizmy kontrolujące podział komórek ulegają zakłóceniu. Identyfikacja konkretnych mutacji genetycznych napędzających wzrost guza jest kluczowa dla opracowania skutecznych planów leczenia. Obecnie standardem jest sekwencjonowanie genomów komórek nowotworowych pobranych podczas biopsji, aby dostosować terapie celowane w sposób, w jaki dany nowotwór rośnie i się rozprzestrzenia.

Badacze z Google udostępnili DeepSomatic wraz z wysokiej jakości zestawem danych treningowych, stworzonym specjalnie dla tego narzędzia. Publikacja w „Nature Biotechnology” opisuje, jak DeepSomatic, wykorzystując konwolucyjne sieci neuronowe, przewyższa dotychczasowe metody w identyfikacji wariantów genetycznych w komórkach nowotworowych.

Wyzwania w identyfikacji mutacji somatycznych

Genetyka nowotworów jest niezwykle złożona. Sekwencjonowanie genomu pozwala na wykrycie wariacji genetycznych typowych dla raka, ale odróżnienie rzeczywistych mutacji od błędów sekwencjonowania nastręcza trudności. W tej sytuacji narzędzie oparte na sztucznej inteligencji okazuje się nieocenioną pomocą.

Większość nowotworów jest napędzana przez mutacje somatyczne, nabyte po urodzeniu, a nie dziedziczone mutacje germinalne pochodzące od rodziców. Mutacje somatyczne powstają, gdy czynniki środowiskowe, takie jak promieniowanie UV, uszkadzają DNA lub gdy podczas replikacji DNA dochodzi do losowych błędów. Jeśli te warianty zaburzają normalne zachowanie komórek, mogą prowadzić do niekontrolowanej replikacji, co napędza rozwój i progresję nowotworu.

Identyfikacja mutacji somatycznych jest trudniejsza niż wykrywanie mutacji dziedzicznych, ponieważ mogą one występować w niskich częstotliwościach w komórkach nowotworowych, czasami na poziomach niższych niż sam wskaźnik błędów sekwencjonowania.

Jak działa DeepSomatic?

W warunkach klinicznych naukowcy sekwencjonują zarówno komórki nowotworowe pobrane z biopsji, jak i zdrowe komórki pacjenta. DeepSomatic wychwytuje różnice, identyfikując warianty w komórkach nowotworowych, które nie są dziedziczone. Te warianty ujawniają, co napędza wzrost guza.

Model przekształca surowe dane sekwencjonowania genetycznego zarówno z próbek nowotworowych, jak i prawidłowych, w obrazy reprezentujące różne punkty danych, w tym dane sekwencjonowania i ich ułożenie wzdłuż chromosomu. Konwolucyjna sieć neuronowa analizuje te obrazy, aby odróżnić standardowy genom referencyjny, normalne, odziedziczone warianty danej osoby oraz somatyczne warianty wywołujące raka, jednocześnie filtrując błędy sekwencjonowania. Wynikiem jest lista mutacji związanych z rakiem.

DeepSomatic może również pracować w trybie „tylko guz”, gdy próbki normalnych komórek są niedostępne, co często zdarza się w przypadku nowotworów krwi, takich jak białaczka. To sprawia, że narzędzie ma zastosowanie w wielu scenariuszach badawczych i klinicznych.

Szkolenie precyzyjnego narzędzia AI do badań nad rakiem

Wytrenowanie dokładnego modelu AI wymaga wysokiej jakości danych. Google wraz z partnerami z UC Santa Cruz Genomics Institute i National Cancer Institute stworzył zestaw danych referencyjnych o nazwie CASTLE. Zsekwencjonowali oni komórki nowotworowe i normalne z czterech próbek raka piersi i dwóch próbek raka płuc. Próbki te analizowano za pomocą trzech wiodących platform sekwencjonowania, aby stworzyć pojedynczy, dokładny zestaw danych referencyjnych, łącząc wyniki i usuwając błędy specyficzne dla platformy.

Dane pokazują, jak nawet ten sam typ raka może mieć bardzo różne sygnatury mutacyjne, co pomaga przewidzieć reakcję pacjenta na określone leczenie. Modele DeepSomatic osiągały lepsze wyniki niż inne ustalone metody na wszystkich trzech głównych platformach sekwencjonowania. Narzędzie przodowało w identyfikacji złożonych mutacji zwanych insercjami i delecjami lub „Indelami”. W przypadku tych wariantów DeepSomatic osiągnął wynik F1 na poziomie 90% w danych sekwencjonowania Illumina, w porównaniu z 80% dla następnej najlepszej metody. Poprawa była jeszcze bardziej dramatyczna w danych Pacific Biosciences, gdzie DeepSomatic uzyskał ponad 80%, podczas gdy następne najlepsze narzędzie – mniej niż 50%.

AI dobrze radziła sobie podczas analizy trudnych próbek. Testy obejmowały próbkę raka piersi utrwaloną w formalinie i zatopioną w parafinie (FFPE), powszechną metodę, która może powodować uszkodzenia DNA i utrudniać analizę. Przetestowano ją również na danych z sekwencjonowania całego eksomu (WES), tańszej metody, która sekwencjonuje tylko 1% genomu kodującego białka. W obu przypadkach DeepSomatic przewyższył inne narzędzia, co sugeruje jego przydatność do analizy próbek niższej jakości lub próbek archiwalnych.

Narzędzie AI dla wszystkich nowotworów

To narzędzie AI pokazało, że potrafi zastosować swoje uczenie się do nowych typów nowotworów, na których nie było trenowane. Po użyciu do analizy próbki glejaka wielopostaciowego, agresywnego raka mózgu, z powodzeniem wskazało kilka wariantów, o których wiadomo, że napędzają tę chorobę. We współpracy z Children’s Mercy w Kansas City przeanalizowano osiem próbek białaczki dziecięcej i znaleziono wcześniej znane warianty, identyfikując jednocześnie 10 nowych, pomimo pracy z próbkami pobranymi tylko z guza.

Google ma nadzieję, że laboratoria badawcze i klinicyści zaadaptują to narzędzie, aby lepiej zrozumieć poszczególne guzy. Wykrywając znane warianty raka, może pomóc w wyborze istniejącego leczenia. Identyfikując nowe warianty, może otworzyć drogę do nowych terapii. Celem jest rozwój medycyny precyzyjnej i dostarczanie pacjentom skuteczniejszych metod leczenia.