Персонализированное лечение онкологии: ИИ и геномные технологии в борьбе с раком

Цифровые двойники, синтетические данные и предсказания эффективности терапий: как технологии меняют подход к диагностике и лечению онкологических заболеваний

Медицина нового поколения формируется на наших глазах. Искусственный интеллект анализирует генетические мутации, прогнозирует поведение опухолей и предсказывает эффективность различных методов лечения. Но вместе с потенциалом ИИ возникают и проблемы — от технологического неравенства до этических вопросов. Вместе с биоинформатиком и основателем Datomics Group Андреем Чурсовым рассказываем, как искусственный интеллект меняет подходы к лечению рака и что ждёт персонализированную медицину в ближайшие годы.

От биоинформатики к клинике

Онкология остаётся одной из самых сложных областей медицины. По мере того как растёт объём доступных данных — от геномных профилей и экспрессии белков до иммунных откликов, микробиома и метаболических путей — изменяется наше понимание молекулярной биологии опухолей. Новая информация открывает новые возможности, но порождает и вызов: как интерпретировать эти сложные, многослойные данные и выделить из них сигнал, специфичный для каждого пациента? Именно здесь биоинформатика и искусственный интеллект становятся центральной технологией современной онкологии.

Геномный профиль: секвенирование ДНК позволяет выявить индивидуальные мутации раковых клеток и «драйверные» гены — по ним можно подобрать таргетные препараты, оценить прогноз, риск рецидива или ответа на иммунотерапию;
Экспрессия белков: иммуногистохимия и технологии протеомики выявляют, какие белки, связанные с опухолевым ростом, апоптозом или иммунным ответом, активны в клетках, например p53, bcl-2, bax — эти данные важны для прогноза агрессивности и выбора лечения;
Микробиом опухоли: по данным секвенирования РНК выясняют состав бактериальных сообществ в микроокружении опухоли — его особенности могут влиять на прогноз, эффективность терапии и вероятность рецидива;
Онкомаркеры: специфические вещества в крови (например, PSA, CA-125, AFP) позволяют мониторить динамику болезни и подбирать схему лечения;
Цитологические и морфологические данные: информация о структуре опухоли, клеточной дифференцировке и степени агрессивности под микроскопом.

ИИ сегодня помогает решать задачи, которые ещё десять лет назад были невыполнимыми. Он может находить закономерности, недоступные человеческому глазу, выявлять скрытые корреляции между мутациями и реакцией на лечение, прогнозировать развитие опухоли и подбирать потенциально эффективные комбинации препаратов. Если раньше подбор терапии строился на ограниченном числе биомаркеров, то теперь медицина начинает сдвигаться в сторону комплексного анализа десятков и сотен переменных с помощью алгоритмов, обученных на данных тысяч пациентов.

Геномная медицина и выбор терапии

Прежде лечение подбирали на основе стадии и типа опухоли, теперь врачи активно опираются на молекулярный профиль. Геномная медицина стремится не просто лечить «рак лёгкого» или «рак молочной железы», а воздействовать на конкретную мутацию или сигнальный путь. Но и здесь всё не так просто: опухоли эволюционируют и постепенно адаптируются к оказываемым на них воздействиям.

В одной опухоли может быть обнаружено от 20 000 до 100 000 мутаций в кодирующих участках ДНК. Например, для трёхсантиметровой печёночной опухоли экстраполированное число повреждений ДНК достигало 100 000. Среди этих множества — значимыми для развития и терапии опухоли обычно бывают 12–20 мутаций на одну опухоль, которые определяют выбор метода лечения. TP53 встречается в до 50% всех злокачественных опухолей — его мутации связаны с агрессивностью и устойчивостью к терапии.

ИИ помогает отслеживать эти изменения в динамике, сравнивая, например, уровни свободно плавающей ДНК в образцах крови до и после терапии или хирургии. Применение технологий позволяет своевременно адаптировать протокол лечения по мере развития ситуации. Решающее преимущество здесь — в возможности мониторить ремиссию и рецидив опухоли неинвазивными методами и оперативно реагировать на изменения в условиях, когда время критично. Конечно, последнее слово остаётся за врачом, но именно машинная обработка данных становится основой новой логики в онкологии: быстрее, точнее, индивидуальнее.

Когда простые биомаркеры не работают

Современная онкология сталкивается с трудностями: чем глубже мы изучаем механизмы возникновения и развития рака, тем больше осознаём степень неоднородности опухолей и понимаем, почему нет единой «волшебной пули» для лечения рака. Стандартные биомаркеры — в виде генетических или молекулярных показателей, на которые онкологи долго делали ставку, — далеко не всегда предсказывают ответ на лечение. Один и тот же мутационный профиль может приводить к очень разным последствиям, и мы далеко не всегда понимаем, почему. Это усложняет разработку препаратов и подбор методов лечения.

Даже у пациентов с одинаковыми мутациями (например, статус IGHV) показатели выживаемости могут отличаться в разы: медиана беспрогрессивной выживаемости для мутированного IGHV может быть не достигнута, а для немутированного — всего 4,2 года, при этом частота рецидива в группах различается в разы. Это свидетельствует о сложных биологических взаимодействиях, не учитываемых простым анализом биомаркера.

В ходе клинических испытаний часто оказывается, что одни пациенты показывают сильный эффект, а другие — неожиданно — полную невосприимчивость. Искусственный интеллект предлагает не опираться на использование отдельных мутаций как биомаркеров, а выявлять кластеры пациентов с похожими откликами, симптомами и динамикой развития болезни и создавать композитные биомаркеры, основанные на сложных паттернах в собранных данных. Такие композитные биомаркеры могут лучше распознавать группы пациентов, которые получат положительный эффект от терапии, и впоследствии станут методом сопроводительной диагностики.

Разработка препаратов: от догадок к моделям

Одной из самых перспективных сфер применения искусственного интеллекта становится моделирование взаимодействия опухоли с иммунной системой. Опухоль — это не просто сгусток хаотично делящихся раковых клеток, а сложная система, состоящая из множества различных типов клеток, включая клетки иммунной системы, коммуницирующих друг с другом и формирующих так называемую опухолевую микросреду. В комбинации эти клетки могут как подавлять опухоль, так и, наоборот, начинать поддерживать её рост, что в сочетании с генетическими мутациями и эпигенетическими изменениями делает каждую опухоль уникальной, даже если морфологически она выглядит одинаково.

Эпигенетические изменения могут возникать под действием внешних факторов, таких как питание, токсины, инфекции, а также внутри организма — в результате мутаций или дисрегуляции белков. Эти процессы играют критическую роль: именно эпигенетическая регуляция часто помогает опухолевым клеткам «выключать» гены, отвечающие за их гибель, и избегать воздействия антитуморных механизмов организма.

Модели, построенные на данных пациентов, позволяют прогнозировать, как определённая терапия повлияет на конкретную конфигурацию опухолевой микросреды. Это особенно важно в иммунотерапии, где эффективность колеблется от поразительных ремиссий до полного отсутствия результата. Используя ИИ, исследователи могут заранее выделять группы пациентов, у которых высок шанс положительного отклика, избегая при этом назначения терапии пациентам, для которых она может оказаться неэффективной. В результате риски возникновения серьёзных токсических эффектов снижаются, делая терапевтические подходы более точными и персонализированными.

Персонализированная иммунотерапия и проект Human Immunome

Одной из масштабнейших международных инициатив в сфере изучения иммунной системы является Human Immunome Project. Его целью стало создание крупнейшего набора иммунологических данных и использование этих данных для создания модели всей иммунной системы человека на основе искусственного интеллекта. Это будет не просто каталог клеток и белков, а динамическая, многоуровневая вычислительная модель, отражающая, как иммунитет реагирует на болезни, стресс и терапию.

Проект собирает самый обширный в мире иммунологический набор данных и планирует получить данные примерно от 225 000 добровольцев с учетом пола, возраста, этничности и географии по всему миру. Для этого будет открыто около 150 исследовательских центров в разных странах, из которых 75% — в странах с низким и средним доходом, чтобы учесть глобальное разнообразие иммунитета. В рамках программы уже проведено «глубокое секвенирование» иммунных рецепторов — например, только по 3 донорам было обработано более 6 миллиардов транскриптов иммунных клеток.

Все собранные данные будут использоваться для создания «первых в истории» ИИ-моделей иммунной системы, с открытым доступом для учёных во всём мире. Идея состоит в том, чтобы понять, как именно иммунная система конкретного пациента влияет на возникновение и развитие опухоли, и построить модель, которая поможет в создании индивидуальных иммунотерапевтических подходов. Это также сделает возможным переход к персонализированным терапевтическим вакцинам и клеточным терапиям, где лечение будет создаваться кастомизированно под каждого пациента. Сегодня такие подходы только начинают внедряться в практику, но уже ясно: главная сцена онкологии начинает смещаться из лабораторий в дата-центры — туда, где миллионы данных превращаются в новые лекарства и алгоритмы.

3D-моделирование опухолей и цифровые двойники

Другой перспективной инновацией является разработка цифровых двойников. Это не просто 3D-модель опухоли, а сложная симуляция, включающая её генетический профиль, клеточный состав, опухолевую микросреду, межклеточные коммуникации и взаимодействие с иммунной системой. Такой цифровой аватар позволяет моделировать внутриопухолевые процессы и ответ на различные терапии ещё до того, как препарат попадёт в организм. Любые цифровые модели, тем не менее, не заменяют врача, а только помогают видеть невидимое.

Например, технология FarrSight-Twin, основанная на данных тысяч пациентов, позволяет врачам протестировать множество терапевтических сценариев для конкретной опухоли — от выбора препарата до оптимального режима дозировок. В исследованиях точность предсказания эффективности терапии цифровыми двойниками достигает 90%; пациенты, получавшие рекомендованное лечение, демонстрировали ответ в 75% случаев, по сравнению с 53,5% для других методов

Несмотря на обнадёживающую статистику, качественных цифровых двойников в онкологии пока нет, поэтому говорить об их реальном влиянии преждевременно. Нам предстоит расшифровать ещё множество внутриопухолевых межклеточных сигналов, прежде чем мы сможем создать надёжного цифрового двойника опухоли.

Синтетические данные и борьба с неравенством

Есть и обратная сторона такого технологического прогресса — перекосы в генерируемых и используемых для моделирования данных. Чтобы построить надёжную модель, нужна репрезентативная выборка, то есть данные, полученные из разных возрастных, этнических и социальных групп. Сегодня большинство моделей обучаются на данных, собранных в основном из пула пациентов ведущих клиник развитых стран — и это воспроизводит неравенство. В США, например, 85 % онкобольных проходят лечение в общественных клиниках, которые не ведут глубоких научных исследований и не обладают соответствующей инфраструктурой, а не в специализированных онкологических центрах.

Одним из потенциальных решений этой проблемы является генерированиесинтетических данных. Это искусственно сгенерированные, но статистически правдоподобные наборы, которые дополняют реальные данные и помогают закрыть пробелы в диагностике рака. Они не могут полностью заменить клинические наблюдения, но позволяют предварительно тестировать гипотезы в онкологии, ускорять исследования и снижать риски в реальных испытаниях.

Синтетические данные уже активно используются в моделировании различных заболеваний, однако в онкологии такие подходы ещё требуют доработки. Особенно важны синтетические данные при изучении редких форм рака, где живых пациентов просто недостаточно для формирования валидной выборки. Здесь моделирование становится не только возможностью, но и необходимостью.

От IT к биомедицине: новые роли и кадры

Подобный сдвиг в исследовательских разработках требует не просто новых алгоритмов, но и нового типа специалистов. Именно поэтому так много людей из IT приходят в биомедицину. При этом вызовы остаются: как объяснить врачам, что предсказательной модели можно доверять? Как убедить регуляторов, что симуляции могут заменить часть испытаний? Как защитить персональные данные, не тормозя при этом инновации?

Универсального ответа пока нет. Но ясно одно: медицина будущего — это не только новые препараты, но и новая логика мышления, где врач работает в тандеме с искусственным интеллектом, а цифровой двойник пациента становится таким же важным, как его медицинская карта

На данный момент лечащий врач индивидуально несёт полную ответственность за принимаемые решения и ход лечения, подкрепляя это своей медицинской лицензией. В таком контексте он будет опираться на ИИ только в том случае, если абсолютно уверен, что модель сработает как минимум не хуже самого врача. Это вопрос доверия к ИИ и того, кто несёт юридическую ответственность за принятые решения. Врач должен оставаться главным в процессе принятия решений — но вооружённым точными, проверенными и прозрачными рекомендациями от искусственного интеллекта. Впрочем, в будущем это может измениться.

ИСТОЧНИК: Постнаука https://postnauka.org/longreads/157708