Big Data e AI incontrano la ricerca sul cancro

Il nuovo approccio sfrutta l'intelligenza artificiale, l'apprendimento automatico e i big data per scoprire farmaci multifunzionali

Molti malati di cancro sono sottoposti a cure con più farmaci, ognuno dei quali attacca il cancro in modo diverso, quindi la combinazione combatte il cancro su molti fronti. Ma più farmaci significano maggiori rischi di effetti collaterali.

"La maggior parte della terapia del cancro è ora un trattamento combinato", afferma Avinash (Avi) Sahu, PhD, assistente professore presso il Centro oncologico completo dell'Università del New Mexico. Sahu è entrato a far parte dell'UNM da Harvard e dal Dana-Farber Cancer Institute. "Volevamo trovare farmaci in grado di sopprimere due percorsi che causano il cancro allo stesso tempo".

Ma invece di passare ore in un laboratorio, Sahu si è rivolto al suo computer.

Sahu e il suo gruppo di ricerca hanno creato due approcci. Il primo, chiamato BiopotentR, utilizza dati genomici pubblicamente disponibili per trovare farmaci in grado di attaccare il cancro in più modi e identificare i geni che i farmaci prendono di mira. Il secondo applica metodi di apprendimento automatico a queste informazioni per prevedere come le persone risponderanno all'immunoterapia.

L'apprendimento automatico è simile al modo in cui le persone apprendono. Proprio come le persone imparano cose nuove, come andare in bicicletta o guidare un'auto, attraverso molta esperienza, l'apprendimento automatico guidato dal computer assimila grandi quantità di dati e raccoglie schemi che può quindi applicare ad altre attività.

Ma i dati della ricerca sul cancro da soli non erano sufficienti per Sahu e il suo team per prevedere come le persone avrebbero risposto a un farmaco. Avevano bisogno di ulteriori dati biologici che potessero poi applicare ai malati di cancro e alle risposte ai farmaci antitumorali. In termini di apprendimento automatico, avevano bisogno di imparare dal contesto biologico e applicare quella conoscenza a un contesto di cancro; è una tecnica chiamata transfer learning.

Sahu e il suo team hanno collaborato con un'azienda per trovare un composto che prendesse di mira il miglior gene candidato del cancro identificato utilizzando BipotentR. Nei test preclinici, hanno confermato che le loro previsioni erano accurate.

Ma il lavoro può essere ampliato, dice Sahu.

"Quando i tumori hanno bersagli farmacologici multifunzionali iperattivi, i pazienti hanno meno probabilità di rispondere all'immunoterapia", afferma. "Tuttavia, i pazienti con questi tipi di tumori potrebbero potenzialmente beneficiare di una combinazione di immunoterapia e farmaci multifunzionali".

Il lavoro del team non si limita solo al metabolismo e agli obiettivi immunitari; può essere adattato per esplorare due fattori qualsiasi per trovare farmaci multiuso migliori. Sahu afferma che questo approccio presenta quindi un'entusiasmante opportunità per nuove ricerche in una varietà di progetti incentrati sul cancro.

E una scoperta più rapida dei farmaci significa una medicina personalizzata più accurata.

Informazioni su Avinash Sahu, PhD

Avinash Sahu, PhD, è Assistant Professor presso la School of Medicine dell'Università del New Mexico, nel Dipartimento di Medicina Interna, Divisione di Informatica Traslazionale. È entrato a far parte della facoltà dell'UNM nel gennaio 2023. Il dottor Sahu ha conseguito un dottorato presso l'Università del Maryland. La sua ricerca si concentra sulle applicazioni dell'apprendimento automatico e dell'apprendimento profondo per migliorare la comprensione e il trattamento del cancro.

Riferimento carta

"La scoperta di bersagli per farmaci antitumorali immuno-metabolici identifica il recettore alfa correlato agli estrogeni" è stato pubblicato online il 27 gennaio 2023 su Cancer Discovery (https://aacrjournals.org/cancerdiscovery). Gli autori sono: Avinash D. Sahu, Xiaoman Wang, Phillip Munson, Jan Klomp, Xiaoqing Wang, Shengqing Gu, Gege Qian, Phillip Nicol, Zexian Zeng, Chenfei Wang, Collin Tokheim, Wubing Zhang, Jingxin Fu, Jin Wang, Nishanth U. Nair, Joost Rens, Meriem Bourajjaj, Bas Jansen, Inge Leenders, Jaap Lemmers, Mark Musters, Sanne van Zanten, Laura van Zelst, Jenny Worthington, Myles Brown, Jun S. Liu, Dejan Juric, Cliff A. Meyer, Arthur Oubrie, X. Shirley Liu, David E. Fisher, Keith T. Flaherty.