در یک مطالعه مفهومی (اثبات‌پذیری ایده)، پژوهشگران مؤسسه ملی سرطان (NCI) که زیرمجموعه NIH است، کار خود را در ۱۸ آوریل ۲۰۲۴ در مجله Nature Cancer منتشر کردند. آن‌ها پیشنهاد می‌کنند که داده‌های توالی‌یابی تک‌سلولی RNA روزی بتواند به پزشکان کمک کند تا بیماران مبتلا به سرطان را بادقت بیشتری با داروهایی که برای سرطان آن‌ها مؤثر است، مطابقت دهند.

روش‌های فعلی برای تطبیق بیماران با داروها به توالی‌یابی انبوه DNA و RNA تومور متکی هستند که میانگین همه سلول‌ها را در نمونه تومور در نظر می‌گیرد. بااین‌حال، تومورها حاوی بیش از یک نوع سلول هستند و در واقع می‌توانند زیرمجموعه‌های مختلفی از سلول‌ها داشته باشند. سلول‌های منفرد در این زیرمجموعه‌ها به‌عنوان کلون شناخته می‌شوند. محققان بر این باورند که این زیرمجموعه‌های سلولی ممکن است به داروهای خاصی پاسخ‌های متفاوتی نشان دهند که می‌تواند توضیح دهد چرا برخی از بیماران به داروهای خاص پاسخ نمی‌دهند یا در برابر آن‌ها مقاومت پیدا می‌کنند.

برخلاف توالی‌یابی انبوه، فناوری جدیدتری به نام توالی‌یابی تک‌سلولی RNA داده‌هایی با رزولوشن بسیار بالاتر، در سطح تک‌سلولی ارائه می‌دهد. استفاده از این رویکرد برای شناسایی و هدف قراردادن کلون‌های منفرد ممکن است منجر به پاسخ‌های ماندگارتر به دارو شود. بااین‌حال، تولید داده‌های بیان ژن تک‌سلولی بسیار پرهزینه‌تر از داده‌های بیان ژن انبوه است و هنوز در محیط‌های بالینی به طور گسترده در دسترس نیست.

در مطالعه جدید، محققان بررسی کردند که آیا می‌توانند از یک تکنیک یادگیری ماشینی به نام انتقال یادگیری (transfer learning) برای آموزش یک مدل هوش مصنوعی برای پیش‌بینی پاسخ‌های دارویی با استفاده از داده‌های توالی‌یابی RNA انبوه که به طور گسترده در دسترس است، استفاده کنند و سپس آن مدل را با استفاده از داده‌های توالی‌یابی تک‌سلولی RNA تنظیم کنند. محققان با استفاده از این رویکرد روی داده‌های سلول‌های خطی منتشر شده از غربالگری‌های دارویی در مقیاس بزرگ، مدل‌های هوش مصنوعی را برای ۴۴ داروی ضدسرطان تأیید شده توسط سازمان غذا و دارو (FDA) ساختند. مدل‌های هوش مصنوعی بادقت پیش‌بینی کردند که چگونه سلول‌های منفرد به داروهای منفرد و ترکیبات داروها پاسخ خواهند داد.

سپس محققان رویکرد خود را روی داده‌های منتشر شده برای ۴۱ بیمار مبتلا به میلوم چندگانه که با ترکیبی از چهار دارو و ۳۳ بیمار مبتلا به سرطان سینه که با ترکیبی از دو دارو درمان شدند، آزمایش کردند. محققان دریافتند که اگر حتی فقط یک کلون به داروی خاصی مقاوم باشد، بیمار به آن دارو پاسخ نخواهد داد، حتی اگر همه کلون‌های دیگر پاسخ دهند. علاوه بر این، مدل هوش مصنوعی با موفقیت پیشرفت مقاومت را در داده‌های منتشر شده از ۲۴ بیمار تحت درمان با درمان‌های هدفمند برای سرطان ریه غیر سلول کوچک پیش‌بینی کرد.

محققان هشدار دادند که اگر داده‌های توالی‌یابی تک‌سلولی RNA به طور گسترده‌تری در دسترس قرار گیرند، دقت این تکنیک بهبود خواهد یافت. در همین حال، محققان یک وب‌سایت تحقیقاتی و یک راهنما برای نحوه استفاده از مدل هوش مصنوعی به نام PERCEPTION (برنامه‌ریزی مبتنی بر بیان تک‌سلولی شخصی برای درمان در انکولوژی) با مجموعه‌داده‌های جدید ایجاد کرده‌اند.

این کار توسط مرکز تحقیقات سرطان NCI و به رهبری دکتر آلخاندرو شفر و دکتر سانجو سینها که قبلاً در NCI و اکنون در Sanford Burnham Prebys فعالیت می‌کردند، انجام شد. دکتر اییتان روپین، سرپرستی این کار را برعهده داشت.