Petefészekrák-kezelés: hogyan alakíthatja a mesterséges intelligencia a terápiákat egyénre szabottabbá A petefészekrák kezelése rendkívül összetett feladat, amely a betegség stádiumától, a beteg általános egészségi állapotától és genetikai háttérétől füg

Az ELTE új kutatása egyesíti a szövettani és a fehérje adatokat, az eljárással pontosabban meghatározható, ki hogyan reagál a kemoterápiára.

Az ELTE Komplex Rendszerek Fizikája Tanszék, a Harvard Medical School, a Dán Rákkutató Intézet és a Semmelweis Egyetem kutatói együttműködve egy új, innovatív módszert dolgoztak ki, amely lehetővé teszi a magas malignitású szerózus petefészekrákkal (HGSOC) diagnosztizált páciensek kemoterápiás kezelésre adott válaszának előrejelzését. Ez a megközelítés új perspektívákat nyithat a személyre szabott onkológiai terápiák terén.

A Nature-csoport npj Precision Oncology című folyóiratában megjelent kutatás, melynek első szerzője Oz Kilim, az ELTE PhD-hallgatója, új megvilágításba helyezi a petefészekrák kezelésének lehetőségeit. A tanulmány eredményei szerint a szövettani minták képeinek (hisztopatológia) és a részletes fehérjemérések (proteomika) együttes elemzése jelentős mértékben növeli annak pontosságát, hogy mely betegeknél várható a legnagyobb haszon a platinaalapú kemoterápiából, ami a petefészekrák elsődleges terápiás lehetősége.

A kutatás egy innovatív, mesterséges intelligencián alapuló megközelítést mutat be, amely szövettani képek és molekuláris szintű adatok összekapcsolásával új mintázatok felfedezésére képes. Ez a technológia lehetővé teszi az orvosok számára, hogy olyan részleteket és összefüggéseket azonosítsanak, amelyeket korábban figyelmen kívül hagytak. Ennek következtében a módszer lényegesen pontosabb előrejelzéseket kínál, mint ha csupán egyetlen adatforrást használnánk, és így átfogóbb megértést nyújt a tumorok viselkedéséről.

A rák diagnosztizálásában és típusának meghatározásában az orvosok általában a szövettani metszeteket (H&E-festett képek) használják, míg a proteomikai elemzések betekintést nyújtanak a tumorban található fehérjékbe, amelyek utalhatnak a daganat érzékenységére vagy rezisztenciájára egy adott kezelésre.

Képzeljük el, hogy egy növény növekedését próbáljuk megjósolni kizárólag a külleme vagy kizárólag a talaj minősége alapján - mindegyik információ önmagában hasznos, de nem ad teljes képet. A kutatók új megközelítése mindkét tényezőt figyelembe veszi, így jobban megérthető a tumor és annak környezete is.

A kutatási eredmények rámutattak, hogy a szöveti és fehérjeinformációk összehangolt elemzése lényegesen pontosabb prognózisokat kínál, mint a jelenleg forgalomban lévő genetikai tesztek. Ez a fejlődés lehetőséget teremt arra, hogy az orvosok megbízhatóbb alapokra helyezett döntéseket hozzanak arról, vajon a platinaalapú kemoterápia a legoptimálisabb választás-e a betegek számára, vagy esetleg érdemesebb más kezelési alternatívákat fontolóra venni.

A kutatás egyik legfontosabb eredménye, hogy lehetőséget nyit a kezelési tervek egyénre szabására. Azoknak a betegeknek az azonosításával, akik valószínűleg nem reagálnak jól a platinaalapú kemoterápiára, az orvosok elkerülhetik a felesleges mellékhatásokat, és korábban elkezdhetnek más kezelési módokat.

A tanulmány során használt modellek nemcsak a terápiák hatékonyságának vagy hatástalanságának megértésében játszanak kulcsszerepet, hanem fontos iránymutatásokat is adhatnak a jövőbeli kutatások számára. Ezzel hozzájárulnak ahhoz, hogy mélyebb betekintést nyerjünk a különböző kezelési módszerek mögött rejlő mechanizmusokba.

A kutatók azt is megállapították, hogy a tumorok környezete (a stroma) kulcsfontosságú információkat tartalmazhat a kezelésre adott válasz szempontjából, és ezt eddig gyakran figyelmen kívül hagyták. Ez rávilágít arra, hogy nemcsak a daganatot magát, hanem annak közvetlen környezetét is érdemes alaposan vizsgálni.

Bár a módszer szélesebb körű betegpopulációk körében történő validálása további kutatásokat igényel, ez a tanulmány hangsúlyozza, hogy a különböző adatforrások egyesítése hozzájárulhat a rákkezelések hatékonyságának növeléséhez. A jövőbeli fejlesztések során lehetőség nyílik arra is, hogy újabb információkat - mint például genetikai vagy képalkotási adatok - integráljunk, amely által még inkább személyre szabott, a betegek igényeihez igazodó ellátást nyújthatunk.