Onderzoekers van de Universiteit van Utah hebben een door kwantumfysica geïnspireerde AI-aanpak ontwikkeld die de precisie-oncologie aanzienlijk zou kunnen verbeteren door behandelingen af te stemmen op het volledige moleculaire profiel van een patiënt, in plaats van uit te gaan van afzonderlijke genetische mutaties. Dankzij deze techniek kunnen onderzoekers miljoenen tot miljarden moleculaire kenmerken analyseren op basis van slechts een klein aantal patiënten, waarmee een van de grootste beperkingen van conventionele AI in klinisch onderzoek wordt overwonnen.
De proof-of-concept-studie richtte zich op neuroblastoom, de meest voorkomende solide vorm van kanker bij zuigelingen. Volgens de onderzoekers zou de nieuwe methode niet alleen de behandelingskeuze voor individuele patiënten kunnen verbeteren, maar ook de ontdekking van nieuwe doelwitten voor geneesmiddelen kunnen versnellen en het succespercentage van klinische proeven kunnen verhogen.
Verder kijken
Precisiegeneeskunde richt zich van oudsher op het identificeren van individuele genetische mutaties die als leidraad kunnen dienen bij behandelingsbeslissingen. Bij veel vormen van kanker, waaronder neuroblastoom, worden de klinische uitkomsten echter door veel meer dan één enkel gen bepaald. „Het gaat om veel meer dan slechts één gen. Alles wat er in de cellen van de patiënt gebeurt, is van belang“, aldus Orly Alter, universitair hoofddocent biomedische techniek aan het Scientific Computing & Imaging Institute van de Universiteit van Utah.
De ziektebiologie van een patiënt bestaat uit meerdere onderling verbonden informatielagen, waaronder DNA, RNA en moleculaire signalen uit zowel tumorweefsel als bloed. Samen bevatten deze datasets miljoenen of zelfs miljarden biologische kenmerken. Conventionele machine learning-methoden hebben moeite met een dergelijke complexiteit, omdat ze doorgaans veel meer patiëntenmonsters vereisen dan er moleculaire variabelen zijn. Hoewel dat haalbaar kan zijn voor toepassingen op internetschaal, is het onrealistisch voor de meeste medische studies, waarbij klinische proeven vaak slechts 20 tot 100 deelnemers omvatten.
De onderzoekers illustreren deze beperking door hun werk te vergelijken met een groot taalmodel dat is getraind op het 30.000-nucleotide-genoom van het COVID-19-virus, waarvoor ongeveer 110 miljoen monsters nodig waren. Om een dergelijke aanpak op te schalen naar het menselijk genoom van drie miljard nucleotiden zouden theoretisch triljoenen patiëntdatasets nodig zijn.
Kwantumwiskunde
In plaats van te vertrouwen op steeds grotere datasets, paste het onderzoeksteam wiskundige principes toe die geïnspireerd zijn door de kwantummechanica, waaronder verstrengeling en superpositie, om een nieuw AI-raamwerk te creëren. De techniek, bekend als multitensor comparative spectral decomposition, analyseert gelijktijdig meerdere lagen moleculaire informatie van elke patiënt. Deze omvatten tumor-DNA, bloed-DNA en tumor-RNA, waardoor het model gekoppelde biologische patronen kan identificeren die verband houden met de respons op de behandeling.
“Dankzij onze kwantumbenadering kunnen we de relevante informatie in elke laag van de gegevens vinden, bijvoorbeeld uit het bloed van de patiënten naast hun tumoren,” legde Alter uit. "Zelfs bij een zeer klein aantal patiënten kunnen we nog steeds alle informatie – hun miljoenen tot miljarden moleculaire kenmerken – verwerken en er betekenis aan geven. We kunnen daardoor de ziektemechanismen begrijpen en medicijndoelwitten voorspellen om de resultaten voor patiënten te verbeteren. We valideren onze AI/ML-voorspellingen van doelwitten en uitkomsten ook experimenteel, wat algemeen wordt beschouwd als de heilige graal van de biotechnologie." In tegenstelling tot veel deep learning-modellen, die vaak als ‘black boxes’ functioneren, levert de nieuwe aanpak interpreteerbare resultaten op die direct kunnen worden gekoppeld aan onderliggende ziektemechanismen.
Nieuwe biomarkers voor geneesmiddelen
De onderzoekers evalueerden de methode aan de hand van openbaar beschikbare datasets over neuroblastoom. Hun algoritmen identificeerden twee voorheen onbekende voorspellers van de overleving van patiënten die consistent beter presteerden dan gevestigde biomarkers, zowel in tumor-DNA, bloed-DNA als tumor-RNA. Belangrijk is dat deze bevindingen werden gereproduceerd in onafhankelijke groepen kinderen die in verschillende ziekenhuizen en gedurende verschillende tijdsperioden werden behandeld, wat suggereert dat de aanpak robuust is voor verschillende patiëntenpopulaties en niet beperkt blijft tot één enkele dataset.
Het team heeft de technologie ook toegepast op glioblastoom bij volwassenen, waarbij voorspelde behandelingsdoelen en patiëntresultaten experimenteel werden gevalideerd met behulp van CRISPR-Cas9-technieken voor genbewerking, zowel in preklinische studies als in klinische proeven. Volgens Alter onderscheidt deze combinatie van computationele voorspelling en biologische validatie het platform van veel bestaande AI-benaderingen in de precisiegeneeskunde.
Echt gepersonaliseerde oncologie
Naast het identificeren van nieuwe biomarkers zijn de onderzoekers van mening dat de technologie de ontwikkeling van geneesmiddelen kan verbeteren door farmaceutische bedrijven te helpen bij het identificeren van patiënten die het meest waarschijnlijk baat hebben bij specifieke therapieën, en door aanvullende moleculaire doelwitten aan het licht te brengen die de effectiviteit van de behandeling kunnen vergroten. De algoritmen worden al in de praktijk gebracht via Prism AI Therapeutics, een spin-offbedrijf van de Universiteit van Utah dat de technologie toepast ter ondersteuning van biotechnologisch en farmaceutisch onderzoek.
Uiteindelijk streven de onderzoekers ernaar de aanpak uit te breiden naar het niveau van de individuele patiënt, waarbij behandelingsbeslissingen kunnen worden gebaseerd op het volledige moleculaire profiel van één persoon in plaats van op populatiegemiddelden. „Dat is de ultieme precisiegeneeskunde“, aldus Alter. „Je hebt één persoon. Kun je de gegevens van alleen die ene persoon gebruiken om een behandeling voor hem of haar te bedenken? Ik denk dat we dat kunnen bereiken.“
Hoewel het huidige onderzoek zich richtte op kanker, merken de onderzoekers op dat de algoritmen gegevensonafhankelijk zijn en uiteindelijk kunnen worden toegepast op vele andere complexe wetenschappelijke uitdagingen buiten de geneeskunde, waaronder gebieden zoals duurzame energie.
AI verbetert kankerbehandeling
Vorig jaar hebben Duitse onderzoekers een AI-methode ontwikkeld die gepersonaliseerde kankerbehandelingen nauwkeuriger kan ondersteunen door veel meer patiëntgegevens tegelijk te analyseren dan huidige prognosemodellen. De in Nature Cancer gepubliceerde aanpak maakt gebruik van 'explainable AI' (xAI), waardoor artsen kunnen zien hoe het model tot een voorspelling komt. De AI werd getraind met gegevens van ruim 15.000 patiënten met 38 soorten solide tumoren en analyseerde de interactie tussen 350 klinische, laboratorium-, beeldvormings- en genetische parameters. Vervolgens werd het model succesvol gevalideerd bij meer dan 3.000 longkankerpatiënten.
Volgens de onderzoekers biedt de methode een completer beeld van de individuele patiënt, waardoor prognoses en behandelkeuzes beter kunnen worden afgestemd. De transparante AI-aanpak kan bovendien ook waardevol zijn in situaties waarin snel een integrale beoordeling van diagnostische gegevens nodig is.
