Onderzoekers van de University of Michigan hebben een digitale tweeling ontwikkeld die de stofwisseling van hersentumoren in kaart brengt en zo kan voorspellen welke behandelingen kansrijk zijn voor individuele patiënten met gliomen. De machine learning-oplossing is gevalideerd met patiëntdata én experimenteel proefdieronderzoek en biedt nieuwe mogelijkheden voor gepersonaliseerde kankerzorg.
Uit eerder onderzoek is bekend dat de groei van sommige gliomen kan worden afgeremd door voedingsinterventies. Wanneer patiënten bepaalde aminozuren, essentiële bouwstenen van eiwitten, niet binnenkrijgen, blijken sommige tumoren niet verder te groeien.
Inzicht in tumorstofwisseling
Andere tumoren zijn echter in staat deze aminozuren zelf aan te maken en blijven daardoor ongevoelig voor dieetmaatregelen. Tot nu toe was het moeilijk om vooraf te bepalen welke patiënt baat zou hebben bij zo’n aanpak.
De digitale tweeling brengt de metabole activiteit van tumoren gedetailleerd in beeld. Daardoor kan ook worden voorspeld of medicijnen die de DNA-aanmaak van kankercellen blokkeren effectief zullen zijn. Sommige tumoren blijken zulke middelen te omzeilen door alternatieve ‘salvage pathways’ te gebruiken en voedingsstoffen uit hun omgeving te halen.
Klinisch beslismodel
Het onderzoek, gepubliceerd in Cell Metabolism, beschrijft hoe de digitale tweeling wordt opgebouwd uit patiëntspecifieke gegevens, zoals bloedwaarden, metabolische metingen van tumorweefsel en genetische profielen. Met behulp van kunstmatige intelligentie berekent het model de metabole flux: de snelheid waarmee tumorcellen voedingsstoffen opnemen en verwerken.
Volgens de onderzoekers is dit de eerste keer dat een AI-gedreven aanpak direct de stofwisselingsactiviteit in menselijke tumoren kan meten. Hiervoor werd een convolutioneel neuraal netwerk getraind op synthetische patiëntdata, gebaseerd op bekende biologische en chemische processen en aangevuld met meetgegevens van gliomenpatiënten tijdens operaties.
De nauwkeurigheid van het model werd bevestigd door voorspellingen te vergelijken met onafhankelijke patiëntdata en door experimenten in muizen. Daarbij bleek dat dieetinterventies alleen effectief waren bij tumoren die door de digitale tweeling als ‘gevoelig’ waren aangemerkt.
Naar gepersonaliseerde oncologie
Naast voedingstherapie testte het team ook de voorspellende waarde van de digitale tweeling voor het medicijn mycofenolaatmofetil. Ook hier kwamen de modelvoorspellingen overeen met de uitkomsten in diermodellen. Volgens de onderzoekers kan deze technologie artsen helpen om behandelingen te vermijden waarvoor een tumor bij voorbaat resistent is. Door therapieën eerst virtueel te testen met een digitale tweeling, kan gerichter worden gekozen voor interventies die daadwerkelijk kans van slagen hebben.
De ontwikkelaars zien de aanpak als een belangrijke stap richting echt gepersonaliseerde kankerzorg. Niet alleen voor hersentumoren, maar op termijn ook voor andere vormen van kanker, waarbij digitale simulaties onnodige behandelingen kunnen voorkomen en de zorg effectiever en patiëntgerichter maken.
Eerder onderzoek
In de herfst van 2024 toonden onderzoekers al een keer aan dat digitale tweelingen van kankerpatiënten klinische proeven met hoge nauwkeurigheid kunnen nabootsen. De technologie, FarrSight-Twin, gebruikt algoritmen uit de astrofysica en maakt het mogelijk om virtuele klinische studies uit te voeren vóórdat behandelingen bij echte patiënten worden getest.
In simulaties kwamen de uitkomsten sterk overeen met echte fase II- en III-studies bij borst-, alvleesklier- en eierstokkanker. Patiënten die de door het model voorspelde beste behandeling kregen, hadden een hoger responspercentage (75% versus 53,5%). De technologie kan zo de kans op succesvolle behandelingen vergroten en gepersonaliseerde zorg versnellen.
Auteur
