Πώς η τεχνητή νοημοσύνη μπορεί να προβλέψει την ανθεκτικότητα του καρκίνου στη θεραπεία

Οι ερευνητές του Πανεπιστημίου της Καλιφόρνιας κατάφεραν να εντοπίσουν μέσω αλγορίθμου τον μοριακό μηχανισμό που οδηγεί σε αντίσταση στις θεραπείες

Επιστήμονες της Ιατρικής Σχολής του Πανεπιστημίου της Καλιφόρνιας στο Σαν Ντιέγκο αξιοποίησαν έναν αλγόριθμο μηχανικής μάθησης για να αντιμετωπίσουν μία από τις μεγαλύτερες προκλήσεις στη μάχη κατά του καρκίνου.

Να προβλέψουν, δηλαδή, με τη βοήθεια της τεχνητής νοημοσύνης πότε ο καρκίνος θα αντισταθεί στη χημειοθεραπεία.

Το 35% των όγκων του τραχήλου της μήτρας είναι ανθεκτικοί στη θεραπεία – Η πρωτοποριακή έρευνα αναμένεται να αλλάξει τα δεδομένα

Ενώ οι επιστήμονες αναγνωρίζουν ότι η γενετική σύνθεση ενός όγκου επηρεάζει σε μεγάλο βαθμό την ειδική ανταπόκρισή του στα φάρμακα, το τεράστιο πλήθος μεταλλάξεων που εντοπίζονται στους όγκους έχει καταστήσει την πρόβλεψη της αντίστασης στα φάρμακα μια δύσκολη υπόθεση.

Ο καρκίνος του τραχήλου της μήτρας, για παράδειγμα, όπως φαίνεται στην κεντρική φωτογραφία (πηγή: National Cancer Institute) σε κυτταρικό επίπεδο, συχνά αντιστέκεται στη θεραπεία.

Η έρευνα

Ο νέος αλγόριθμος ξεπερνά αυτό το εμπόδιο διερευνώντας πώς οι πολυάριθμες γενετικές μεταλλάξεις επηρεάζουν συλλογικά την αντίδραση ενός όγκου στα φάρμακα που εμποδίζουν την αντιγραφή του DNA στα ταχέως διαιρούμενα καρκινικά κύτταρα.

Συγκεκριμένα, οι ερευνητές δοκίμασαν το μοντέλο τους σε όγκους καρκίνου του τραχήλου της μήτρας, όπου περίπου το 35% των όγκων επιμένει μετά τη θεραπεία. Το μοντέλο μπόρεσε να εντοπίσει όγκους που διατρέχουν τον μεγαλύτερο κίνδυνο για ανθεκτικότητα στη θεραπεία και ήταν επίσης σε θέση να εντοπίσει μεγάλο μέρος του υποκείμενου μοριακού μηχανισμού που οδηγεί στην ανθεκτικότητα στη θεραπεία.

Η πρωτοποριακή μελέτη δημοσιεύθηκε στο περιοδικό «Cancer Discovery».

Πηγή: ΑΠΕ

ΤΕΛΕΥΤΑΙΑ ΝΕΑ

Η άποψη των άλλων

Του Δρος Γιώργου  Πισιάρα* Κανένας δεν μπορεί να συμφωνεί μαζί σας συνεχώς, ούτε κι εσείς κατανοείτε πάντα τους άλλους. Αν περιμένετε απο τους γύρω σας...
×