Haastekilpailun voittaneet tekoälysovellukset edistävät syöpälääke-ehdokkaiden etsintää

DREAM-haastekilpailut - joukkoistamalla uutta tietoa syöpälääkkeiden vaikutusmekanismeista

on kansainvälinen yhteisö, joka ratkoo systeemibiologian ja translationaalisen lääketieteen suuria kysymyksiä -organisaation avulla. Äskettäin DREAM ja NIH-CTD2-verkosto, joka on yksi maailman suurimmista syöpälääkkeiden vaikutuskohteiden tunnistamiseen keskittyvistä tutkimuskonsortioista, käynnistivät kaksi haastekilpailua, joissa etsittiin parhaita algoritmeja lääkeaineiden kohteiden ja lääkeherkkyyden ennustamiseksi.

– Annoimme tutkittavaksi lääkehoidon jälkeen tapahtuneita muutoksia geenien ilmentymisessä, sillä tällaisen datan uskotaan olevan hyödyllisintä, kun ennustetaan lääkeaineiden kohteita ja lääkeherkkyyttä. Joukkoistamisen kautta toivomme saavamme paremman käsityksen syöpälääkkeiden vaikutusmekanismeista, sanoo hankkeen vastuujärjestäjä, tohtori Eugene Douglass Columbian yliopistosta.

Molempiin haasteisiin saatiin eri puolilta maailmaa yli 100 tutkijaa, joiden joukossa oli sekä maineikkaiden oppilaitosten että tekoälyyn erikoistuneiden start-up-yritysten edustajia. Helsingin yliopiston NetPhar-ryhmän kehittämät algoritmit suoriutuivat parhaiten ennustamisesta sekä ennustamiseen kohdistuneesta alahaasteesta.

– Ryhmän vahvuutena on se, että sen muodostavilla lahjakkailla tutkijoilla on sekä alan asiantuntemusta että vahvan analyyttinen ajattelutapa. Lisäksi heidän taustansa vaihtelevat laajasti laskennallisesta biolääketieteestä ja farmakologiasta tilastotieteeseen ja datatieteeseen, painottaa tohtoriopiskelija Wenyu Wang, yksi voittaneen joukkueen avainhenkilöistä.

Miten DREAM-haaste edistää syöpälääke-ehdokkaiden etsimistä?

Tutkimusten mukaan 97 % kehitteillä olevista syöpälääkkeistä ei etene jatkotutkimuksiin kliinisissä lääketutkimuksissa havaitun heikon tehon vuoksi, mikä kertoo lääkeaineiden vaikutusmekanismien huonosta tuntemuksesta. Tutkijat ovat vastikään havainneet, että lääkkeiden vaikutuskohteet ovat monesti vääriä, mikä haittaa syöpälääke-ehdokkaiden etsimiseksi toteutettavien kliinisten kokeiden onnistumista.

– Nämä kaksi haastetta tarjosivat arvokkaan mahdollisuuden tutkia kasvainsoluihin vaikuttavien lääkeaineiden vaikutusmekanismeja. Vaikka lääkeaineiden muuttamaa geenien ilmentymistä koskeva data onkin hyödyllistä, sitä tulee käyttää harkiten. Tämän tyyppisessä datassa on luonnostaan häiriötekijöitä. Siksi valitsimmekin käyttämämme menetelmät huolellisesti, jotta ei syntyisi tutkimuskysymyksen kannalta epäsopivaa painotusta, huomauttaa tohtori Alberto Pessia, joka toimi ryhmän tilastotieteen asiantuntijana.

– DREAM-haasteet liittyvät varsin läheisesti useampaan käynnissä olevaan syöpätutkimukseemme. Hyödynsimme datankäyttöön liittyviä portaaleja (, DTC) ja työkaluja (, ), jotka ryhmä kehitti valmistellessaan tekoälymallien kouluttamiseen tarvittavaa dataa. Näiden erittäin vaativien kansainvälisten kilpailujen avulla pystyimme osoittamaan tekoälykehitykseen rakennetun datainfrastruktuurin vakauden. Samaan aikaan aiomme jäsenenä laajentaa näiden algoritmien käyttöä munasarjasyövän ja leukemian tutkimiseen. Toivomme näiden sovellusten tuottavan lisää tietoja, joista on hyötyä syöpälääke-ehdokkaiden etsinnässä ja täsmälääketieteessä, sanoo apulaisprofessori Jing Tang, joka toimii tutkimusryhmän vastuullisena tutkijana.

Rahoittajat: Euroopan tutkimusneuvoston (ERC) Starting Grant -apuraha (Yksilöllistettyjen syöpälääkeyhdistelmien rationaalinen valinta informatiikkaan perustuvilla lähestymistavoilla) -hankkeelle (nro 716063), Suomen Akatemian akatemiatutkijan apuraha (nro 317680), ja . Tutkimus tehtiin Suomen Akatemian rahoittaman iCAN – Digitaalisen yksilöllistetyn syöpälääketieteen lippulaivahankkeen alaisuudessa.

Lue lisää .

25.1.2023 Korjattu toimimattomia linkkejä