Studie analysiert den Beitrag von KI zur Versorgung von Krebspatienten und zum Impfstoffdesign

| |

Künstliche Intelligenz/Maschinelles Lernen (KI/ML) ist die Entwicklung von Computersystemen, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern würden. KI/ML wird täglich von Menschen genutzt, zum Beispiel bei der Nutzung von Smart-Home-Geräten oder digitalen Sprachassistenten.

Auch in der biomedizinischen Forschung und im Gesundheitswesen nimmt der Einsatz von KI/ML rasant zu. In einem kürzlich erschienenen Standpunktpapier untersuchten Forscher des Rutgers Cancer Institute of New Jersey und der Rutgers New Jersey Medical School (NJMS) wie KI/ML bestehende Ansätze ergänzen wird, die sich auf Genom-Protein-Sequenzinformationen konzentrieren, einschließlich der Identifizierung von Mutationen in menschlichen Tumoren.

Stephen K. Burley, MD, DPhil, Co-Programmleiter des Cancer Pharmacology Research Program am Rutgers Cancer Institute und Universitätsprofessor und Henry Rutgers Chair und Direktor des Institute for Quantitative Biomedicine an der Rutgers University, zusammen mit Renata Pasqualini, PhD residentes Mitglied des Rutgers Cancer Institute und Leiter der Abteilung für Krebsbiologie, Abteilung für Radioonkologie am Rutgers NJMS, und Wadih Arap, MD, PhD, Direktor des Rutgers Cancer Institute am Universitätskrankenhaus, Co-Programmleiter von Clinical Investigations and Precision Therapeutisches Forschungsprogramm am Rutgers Cancer Institute und Leiter der Abteilung für Hämatologie/Onkologie, Abteilung für Medizin am Rutgers NJMS, geben weitere Einblicke in das am 2. Dezember online veröffentlichte Papier in Das New England Journal of Medicine.

Welches Potenzial hat KI/MI in der Krebsforschung und in der klinischen Praxis?

Wir gehen davon aus, dass sich die unmittelbarsten Anwendungen der Computerstrukturmodellierung auf Punktmutationen konzentrieren werden, die in menschlichen Tumoren (Keimbahn oder somatisch) nachgewiesen wurden. Computerstrukturmodelle häufig mutierter Onkoproteine ​​(z. B. Epidermal Growth Factor Receptor, EGFR, in Abbildung 2B des Artikels gezeigt) werden bereits verwendet, um krebsauslösende Gene zu identifizieren, die Entdeckung von Therapeutika zu ermöglichen, Arzneimittelresistenzen zu erklären und Behandlungspläne zu erstellen.

Was sind einige der größten Herausforderungen für KI/ML im Gesundheitswesen?

Im weitesten Sinne umfassen die wesentlichen Herausforderungen wahrscheinlich die KI/ML-Forschung und -Entwicklung, die Technologievalidierung, den effizienten/gerechten Einsatz und die kohärente Integration in die bestehenden Gesundheitssysteme sowie inhärente Probleme im Zusammenhang mit dem regulatorischen Umfeld sowie komplexe Fragen der medizinischen Kostenerstattung.

Wie wird sich diese Technologie auf das Impfstoffdesign auswirken, insbesondere im Hinblick auf SARS CoV2?

Über das 3D-Strukturwissen ganzer Proteome (Stücklisten für Biologie und Biomedizin) hinausgehend, wird eine genaue Computermodellierung Analysen klinisch signifikanter genetischer Veränderungen ermöglichen, die sich in 3D durch einzelne Proteine ​​manifestieren. Zum Beispiel trägt das SARS-CoV-2 Delta Variant of Concern Spike-Protein 13 Aminosäureänderungen.

Experimentell bestimmte 3D-Strukturen von SARS-CoV-2-Spike-Proteinvarianten, die an verschiedene Antikörper gebunden sind, alle frei zugänglich von der Protein Data Bank (rcsb.org) verfügbar, können mit berechneten Strukturmodellen neuer Variant of Concern-Spike-Proteine ​​zum Verständnis verwendet werden die möglichen Auswirkungen auf andere Aminosäureveränderungen. In derzeit laufenden Arbeiten (noch unveröffentlicht) haben wir KI/ML-Ansätze verwendet, um die Struktur-Funktions-Beziehung des SARS-CoV-2 Omicron Variant of Concern Spike-Proteins (mit mehr als 30 Aminosäureänderungen) zu verstehen, was praktische und unmittelbare Anwendung dieser neuen Technologie.

Was ist der nächste Schritt, um KI/ML in der Krebsforschung besser zu nutzen?

Entwicklung und gerechte Verbreitung benutzerfreundlicher Werkzeuge, die Krebsbiologen verwenden können, um die dreidimensionalen Strukturen von Proteinen zu verstehen, die an menschlichen Krebsarten beteiligt sind, und wie somatische Mutationen Struktur und Funktion beeinflussen, die zu unkontrollierter Tumorzellproliferation führen.

Quelle:

Zeitschriftenhinweis:

Burley, SK, et al. (2021) Vorhersage der Proteinstruktur im Proteom-Maßstab mit künstlicher Intelligenz. Das New England Journal of Medicine. doi.org/10.1056/NEJMcibr2113027.

.

Previous

Jeanie Buss von Lakers ist nicht bereit, ein Urteil über Trainer Frank Vogel zu fällen

Sprechende Teekannen – die Antiquitäten, die Disney-Filme inspirierten – Unterhaltung

Next

Schreibe einen Kommentar

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.