02:00 
Обнаружение рака на самых ранних стадиях может значительно снизить смертность от рака, поскольку рак обычно легче лечить, если его обнаружить на ранней стадии. Чтобы достичь этой цели, исследователи Массачусетского технологического института и Microsoft используют искусственный интеллект для разработки молекулярных датчиков для раннего обнаружения.
Исследователи разработали модель искусственного интеллекта для создания пептидов (коротких белков), на которые воздействуют ферменты, называемые протеазами, которые сверхактивны в раковых клетках. Наночастицы, покрытые этими пептидами, могут действовать как сенсоры, которые подают сигнал, если где-либо в организме присутствуют протеазы, связанные с раком.
В зависимости от того, какие протеазы обнаружены, врачи смогут диагностировать конкретный тип рака. Эти сигналы можно обнаружить с помощью простого анализа мочи, который можно провести даже в домашних условиях.
"Мы сосредоточены на сверхчувствительном обнаружении таких заболеваний, как ранние стадии рака, когда опухолевая нагрузка невелика, или на ранних стадиях рецидива после операции", говорит Сангита Бхатия, профессор медицинских наук и технологий Джона и Дороти Уилсон, а также электротехники и компьютерных наук в Массачусетском технологическом институте, а также член Института интегративных исследований рака имени Коха Массачусетского технологического института. Институт медицинской инженерии и науки (IMES).
Бхатия и Ава Амини '16, главный научный сотрудник Microsoft Research и бывшая аспирантка лаборатории Бхатиа, — старшие авторы исследования, которое опубликовано сегодня в Nature Communications. Кармен Мартин-Алонсо, доктор философии '23, научный сотрудник Amplifyer Bio, и Сара Аламдари, старший научный сотрудник Microsoft Research, являются ведущими авторами статьи.
Усиление сигналов рака
Более десяти лет назад в лаборатории Бхатиа возникла идея использовать активность протеаз в качестве маркера раннего рака. Геном человека кодирует около 600 протеаз — ферментов, способных расщеплять другие белки, включая структурные белки, такие как коллаген. Они часто сверхактивны в раковых клетках, поскольку помогают клеткам покинуть свое первоначальное местонахождение, разрезая белки внеклеточного матрикса, который обычно удерживает клетки на месте.
Идея исследователей заключалась в том, чтобы покрыть наночастицы пептидами, которые могут быть расщеплены специфической протеазой. Эти частицы затем можно было проглотить или вдыхать. Если бы во время путешествия по организму они столкнулись с какими-либо протеазами, связанными с раком, пептиды на частицах были бы расщеплены.
Эти пептиды выделялись бы в мочу, где их можно было бы обнаружить с помощью бумажной полоски, похожей на полоску для теста на беременность. Измерение этих сигналов позволит выявить сверхактивность протеаз глубоко внутри организма.
"Мы продвигали идею о том, что если можно сделать датчик из этих протеаз и мультиплексировать их, то можно будет найти признаки того, где эти протеазы активны при заболеваниях. А поскольку расщепление пептида является ферментативным процессом, оно действительно может усилить сигнал", - говорит Бхатиа.
Исследователи использовали этот подход для демонстрации. диагностические датчики для рака легких, яичников и толстой кишки.
Однако в этих исследованиях исследователи использовали метод проб и ошибок для идентификации пептидов, которые будут расщепляться определенными протеазами. В большинстве случаев идентифицированные ими пептиды могли расщепляться более чем одной протеазой, а это означало, что считываемые сигналы нельзя было отнести к конкретному ферменту.
Тем не менее, использование «мультиплексированных» массивов множества различных пептидов позволило получить отличительные сенсорные сигнатуры, которые были диагностическими на животных моделях многих различных типов рака, даже если точная идентификация протеаз, ответственных за расщепление, оставалась неизвестной.
В своем новом исследовании исследователи вышли за рамки традиционного процесса проб и ошибок, разработав новую систему искусственного интеллекта под названием CleaveNet, позволяющую создавать пептидные последовательности, которые могут эффективно и конкретно расщепляться интересующими их целевыми протеазами.
Пользователи могут подсказать CleaveNet критерии проектирования, и CleaveNet сгенерирует пептиды-кандидаты, которые, вероятно, будут соответствовать этим критериям. Таким образом, CleaveNet позволяет пользователям настраивать эффективность и специфичность пептидов, генерируемых моделью, открывая путь к улучшению диагностических возможностей датчиков.
«Если мы знаем, что определенная протеаза действительно является ключом к определенному раку, и мы можем оптимизировать датчик, чтобы он был высокочувствительным и специфичным для этой протеазы, тогда это дает нам отличный диагностический сигнал», — говорит Амини. «Мы можем использовать возможности вычислений, чтобы попытаться конкретно оптимизировать эти показатели эффективности и селективности».
Для пептида, содержащего 10 аминокислот, существует около 10 триллионов возможных комбинаций. Использование ИИ для поиска в этом огромном пространстве позволяет прогнозировать, тестировать и идентифицировать полезные последовательности гораздо быстрее, чем люди смогут их найти, а также значительно снижает затраты на эксперименты.
