Onderzoekers van de Universiteit van Hongkong (HKU) hebben een nieuw AI-algoritme ontwikkeld dat de opsporing van kankermutaties met behulp van long-read DNA-sequencing aanzienlijk verbetert. De methode, ClairS, maakt gebruik van synthetische tumordata om een deep-learning model te trainen, waardoor ook bij een beperkt aanbod van echte patiëntdata nauwkeurige analyses mogelijk worden.
Volgens de onderzoekers kan deze aanpak de toepassing van precisiegeneeskunde versnellen en de detectie van genetische afwijkingen verbeteren. De resultaten zijn gepubliceerd in Nature Methods. ClairS is bovendien als open-source software beschikbaar via GitHub.
AI traint met synthetische tumordata
Het nauwkeurig identificeren van mutaties die uitsluitend voorkomen in tumorcellen is essentieel voor kankeronderzoek en gepersonaliseerde behandelingen. Veel bestaande analysemethoden zijn echter ontwikkeld voor short-read sequencing, waarbij het DNA in korte fragmenten wordt uitgelezen. Hierdoor blijven genetische afwijkingen in complexe delen van het genoom soms onopgemerkt. ClairS is specifiek ontwikkeld voor long-read sequencing, een techniek waarmee veel langere DNA-fragmenten kunnen worden geanalyseerd. Hierdoor kunnen ook moeilijk toegankelijke regio's van het genoom beter in kaart worden gebracht.
Een belangrijke innovatie van het systeem is de manier waarop het AI-model wordt getraind. Omdat hoogwaardige datasets met tumormateriaal beperkt beschikbaar zijn, ontwikkelden de onderzoekers een methode waarbij sequencinggegevens van gezonde menselijke monsters worden gecombineerd tot realistische, synthetische tumor-normal-datasets. Zo ontstaat een vrijwel onbeperkte hoeveelheid trainingsdata die verschillende scenario's simuleert, zoals variaties in tumorzuiverheid, sequencingdiepte en mutatiefrequentie. Volgens de onderzoekers resulteert dit in een robuust AI-model dat beter bestand is tegen de variatie die in de klinische praktijk voorkomt.
Hoge nauwkeurigheid
De prestaties van ClairS werden geëvalueerd met datasets van verschillende kankersoorten, waaronder borstkanker, longkanker, melanoom en alvleesklierkanker. In deze celmodellen wist het algoritme kleine somatische mutaties met een hoge nauwkeurigheid te identificeren.
Hoofdonderzoeker Ruibang Luo stelt dat long-read sequencing het onderzoek naar kankergenomen ingrijpend verandert, vooral doordat genetische regio's die voorheen moeilijk analyseerbaar waren nu wel toegankelijk worden. Door synthetische trainingsdata te gebruiken, kan volgens hem een krachtig AI-model worden ontwikkeld zonder afhankelijk te zijn van grote hoeveelheden echte tumorgegevens. De onderzoekers zien deze aanpak als een schaalbare oplossing voor de ontwikkeling van medische AI-toepassingen in situaties waarin hoogwaardige klinische datasets schaars zijn.
In de praktijk
De technologie is inmiddels opgenomen in de officiële workflow voor de analyse van somatische mutaties van Oxford Nanopore Technologies. Daarmee maakt ClairS al deel uit van een commerciële analysetool voor long-read sequencing, een belangrijke stap richting bredere toepassing binnen de klinische genomica.
Volgens de onderzoekers laat het onderzoek zien dat synthetische data een belangrijke rol kan spelen bij het trainen van AI-modellen voor medische toepassingen. Niet alleen kan dit leiden tot een nauwkeurigere detectie van kankermutaties, ook biedt de methode een fundament voor toekomstige toepassingen van long-read sequencing binnen de oncologische diagnostiek en precisiegeneeskunde. Verdere validatie in klinische settings zal moeten uitwijzen in hoeverre de technologie de diagnostiek en behandeling van kankerpatiënten daadwerkelijk kan ondersteunen.
Europese ambities
Tijdens een door het Europese SYNTHIA-project georganiseerd debat op de ICT&health World Conference in januari, stond de rol van synthetische data in AI-gedreven gezondheidszorg centraal. De deelnemers concludeerden dat kunstmatig gegenereerde datasets een belangrijke oplossing kunnen bieden voor de beperkte beschikbaarheid van gezondheidsdata in Europa, waar privacywetgeving en versnipperde databronnen onderzoek bemoeilijken. Volgens de Europese Commissie kunnen synthetische data helpen bij het trainen van AI-modellen, het testen van digitale zorgoplossingen en het versnellen van geneesmiddelenontwikkeling, zonder de privacy van patiënten in gevaar te brengen.
Tegelijkertijd benadrukten onderzoekers dat synthetische datasets alleen waardevol zijn wanneer zij wetenschappelijk valide, klinisch bruikbaar en bestand zijn tegen herleidbaarheid naar individuele patiënten. Ook kunnen ze bijdragen aan onderzoek naar zeldzame aandoeningen en het opzetten van synthetische controlegroepen in klinische studies. Experts waarschuwden echter voor risico's zoals het overnemen van bestaande bias uit echte datasets en onduidelijkheid over verantwoordelijkheid wanneer AI-systemen fouten maken. Heldere validatiemethoden, transparantie en duidelijke Europese richtlijnen worden daarom gezien als essentieel om vertrouwen in synthetische data en de bredere toepassing ervan binnen de gezondheidszorg te vergroten.
