[ad_1]

یک مدل یادگیری ماشین جدید که توسط تیموتی چان، دکترای دکترای کلینیک کلیولند و همکارانش ایجاد شده است، به‌طور دقیق پیش‌بینی می‌کند که آیا محاصره نقاط بازرسی ایمنی (ICB)، یک کلاس رو به رشد از داروهای ایمونوتراپی، در بیمارانی که با انواع وسیعی از سرطان‌ها تشخیص داده می‌شوند، مؤثر خواهد بود یا خیر.

ابزار پیش‌بینی چندین فاکتور بیولوژیکی و بالینی خاص بیمار را برای پیش‌بینی میزان پاسخ به مهارکننده‌های ایست بازرسی ایمنی و نتایج بقا ارزیابی می‌کند. بر اساس یافته های منتشر شده در بیوتکنولوژی طبیعت.

با اعتبار سنجی بیشتر، این ابزار ممکن است به انکولوژیست ها کمک کند تا بیمارانی را که به احتمال زیاد از ICB سود می برند، شناسایی کنند. تشخیص، قبل از درمان، بیمارانی که ICB برای آنها بی‌اثر است، می‌توانند هزینه‌های غیرضروری و قرار گرفتن در معرض عوارض جانبی بالقوه را کاهش دهند. همچنین می‌تواند نشان‌دهنده نیاز به دنبال کردن استراتژی‌های درمانی جایگزین، مانند درمان‌های ترکیبی باشد.

دکتر چان، مدیر مرکز ایمونوتراپی و ایمونوآنکولوژی دقیق کلینیک کلیولند، گفت: «این مهم است که بدانیم بیماران برای کدام روش‌های درمانی مناسب‌تر هستند». “مدل ما درک جامع تری از تنوع پاسخ ها در میان بیماران به محاصره ایست بازرسی ایمنی ارائه می دهد. این اولین مدلی است که چنین مجموعه وسیعی از متغیرهای بالینی و ژنومی را جمع آوری می کند که دارای ارزش پیش بینی کننده ایمونوتراپی در انواع مختلف سرطان هستند.”

این جدیدترین یافته ها بر اساس کار قبلی دکتر چان است که کشف کرد بیمارانی که بار جهش تومور بالایی دارند و کمبودهای ترمیم DNA دارند به خوبی به درمان ایست بازرسی ایمنی پاسخ می دهند. این یافته ها توسط کارآزمایی های بالینی تایید شده اند و FDA به عنوان اولین تاییدیه های تشخیص نوع تومور برای هر نوع درمان سرطان تایید شده است.

نقاط بازرسی ایمنی پروتئین‌هایی روی سلول‌های ایمنی خاص (سلول‌های T) هستند که وقتی فعال می‌شوند یا «روشن می‌شوند» از قوی بودن بیش از حد پاسخ‌های ایمنی و تخریب سلول‌های سالم جلوگیری می‌کنند. برخی از سلول های سرطانی می توانند سیگنال های ایست بازرسی را ربوده تا خود را پنهان کنند و از هدف قرار گرفتن توسط سیستم ایمنی بیمار جلوگیری کنند. مهارکننده های چک پوینت دسته ای از داروهای ایمونوتراپی هستند که از فعال شدن این نقاط بازرسی توسط سلول های سرطانی جلوگیری می کنند.

با این حال، ICB در همه انواع سرطان موثر نیست. حتی در سرطان‌هایی که به ICB پاسخ می‌دهند، نیمی یا بیشتر از بیماران تحت درمان با ICB از مزایای بالینی برخوردار نیستند. تحقیقات قبلی برخی نشانگرهای زیستی و ویژگی‌های ژنومی مرتبط با اثربخشی ICB را شناسایی کرده‌اند، اما هیچ عامل واحدی را نمی‌توان پیش‌بینی‌کننده بهینه نتایج درمان در نظر گرفت.

در این مطالعه، دکتر چان و همکارانش مدل خود را با استفاده از مجموعه داده ای حاوی اطلاعات بالینی، تومور و توالی ژنتیکی از نزدیک به 1500 بیمار با 16 نوع سرطان مختلف که با دو نوع مختلف مهارکننده های ایست بازرسی (به ویژه PD-1/) درمان شده بودند، توسعه دادند. مهارکننده های PD-LI و محاصره CTLA-4) یا ترکیبی از هر دو. سپس آنها الگوریتمی را به کار بردند که بسیاری از متغیرهای ژنتیکی، مولکولی، بالینی و جمعیت شناختی را در خود جای داده بود که برخی از آنها با پاسخ ICB مرتبط هستند.

جالب توجه است، محققان دریافتند که متغیری که بیشترین تأثیر را بر پاسخ ICB دارد، بار جهش تومور است (تکرار جهش‌های خاص در ژن‌های تومور)، و به دنبال آن سابقه شیمی‌درمانی بیمار. سطوح سه نشانگر خونی – هموگلوبین، پلاکت‌ها و آلبومین – همچنین دارای ارزش پیش‌بینی قوی بود، نه تنها برای پیش‌بینی بقای کلی بیماران، بلکه همچنین برای پاسخ واقعی رادیوگرافیک به درمان ICB.

دکتر چان گفت: «اینکه چگونه این متغیرها همه با هم کار می کنند، در اینجا واقعاً کلیدی است. این مدل نشان می دهد که به جای یک نشانگر زیستی پیش بینی کننده، ما به سمت یک نوموگرام چند عاملی برای استفاده بالینی می رویم.

مدل کاملاً یکپارچه تیم ثابت کرد که بسیار دقیق است و به طور قابل توجهی از دو ابزار پیش‌بینی دیگر، از جمله بار جهش تومور، که FDA در سال 2020 به‌عنوان نشانگر زیستی برای پیش‌بینی اثربخشی ICB ضد PD-1 در تومورهای جامد تأیید کرد، بهتر عمل کرد.

دکتر چان توضیح می دهد: «این مدل با وجود اینکه چه نوع سرطانی در حال ارزیابی است، به خوبی کار می کند، که نشان می دهد این مشترکات مهم هستند. اینها عوامل اولیه‌ای هستند که بر پاسخ ICB تأثیر می‌گذارند. وزن عوامل ممکن است از سرطان تا سرطان کمی متفاوت باشد، اما تقریباً مانند یک زبان مشترک برای پیش‌بینی پاسخ است.»

روی هم رفته، نتایج مثبت از حرکت رو به جلو برای آزمایش مدل در یک کارآزمایی بالینی با گروه وسیع و متنوعی از بیماران سرطانی پشتیبانی می‌کند که ارزیابی دقیق‌تری از عملکرد آن در یک محیط واقعی ارائه می‌دهد.

این مطالعه تا حدی توسط مؤسسه ملی سرطان (بخشی از مؤسسه ملی بهداشت) تأمین مالی شد.

[ad_2]