ИИ научился предсказывать метастазы рака до их появления
Швейцарские учёные создали AI-инструмент MangroveGS, который предсказывает распространение опухолей с точностью 80% — лучше существующих методов.
Почему одни опухоли распространяются по организму, а другие остаются на месте? Исследователи из Женевского университета нашли способ ответить на этот вопрос до того, как метастазы появятся — с помощью AI-инструмента, который анализирует генетические паттерны раковых клеток.
Что произошло
Команда профессора Ариэля Руиса-и-Альтабы изучила клетки рака толстой кишки и обнаружила, что распространение рака не хаотично — оно следует определённой биологической программе. Учёные выделили около тридцати клонов опухолевых клеток, проверили их способность к миграции в лабораторных условиях и в моделях на мышах, а затем сопоставили результаты с профилями генной экспрессии.
На основе этих данных они создали MangroveGS (Mangrove Gene Signatures) — AI-систему, которая использует сотни генных сигнатур для оценки метастатического потенциала. После обучения модель предсказывала метастазы и рецидивы рака толстой кишки с точностью около 80%, значительно превосходя существующие методы. Те же генные сигнатуры оказались применимы для рака желудка, лёгких и молочной железы. Исследование опубликовано в журнале Cell Reports.
Почему это важно
Метастазы — причина большинства смертей от рака. Сегодня врачи часто вынуждены назначать агрессивную терапию «на всякий случай», потому что точных инструментов прогнозирования не существовало. MangroveGS работает напрямую с образцами опухолей из больниц: клетки анализируются, их РНК секвенируется, и система быстро генерирует оценку риска.
«Это позволит избежать избыточного лечения пациентов с низким риском, ограничивая побочные эффекты и ненужные затраты, одновременно усиливая наблюдение за теми, кто в группе высокого риска», — объясняет профессор Руис-и-Альтаба.
Что дальше
Инструмент также может оптимизировать отбор участников клинических испытаний — сократить число необходимых волонтёров и повысить статистическую мощность исследований. Следующий шаг — валидация на больших выборках пациентов в реальных клинических условиях.
