Ricercatori di Johns Hopkins hanno sviluppato una tecnologia di deep learning in grado di prevedere con precisione i frammenti proteici correlati al cancro

Johns Hopkins researchers have developed a precise deep learning technology for predicting cancer-related protein fragments.

Gli ingegneri e i ricercatori sul cancro di Johns Hopkins hanno collaborato per aprire una nuova strada nella terapia personalizzata del cancro grazie alla loro tecnologia all’avanguardia di apprendimento profondo. L’innovazione, chiamata BigMHC, ha il potenziale per rivoluzionare il settore prevedendo con precisione frammenti proteici correlati al cancro che potrebbero stimolare una risposta del sistema immunitario. Questo progresso, pubblicato nella rivista Nature Machine Intelligence, è destinato ad alleviare una notevole difficoltà nel creare immunoterapie e vaccini personalizzati contro il cancro.

Il team, composto da ingegneri e ricercatori sul cancro provenienti da diverse divisioni di Johns Hopkins, ha dimostrato che BigMHC ha la capacità di identificare frammenti proteici presenti sulle cellule tumorali. Questi frammenti possono potenzialmente attivare una risposta immunitaria mirata all’eliminazione delle cellule tumorali. Questo processo di riconoscimento, facilitato dal legame delle cellule T con frammenti proteici specifici del cancro sulla superficie cellulare, costituisce una fase fondamentale nell’immunoterapia del cancro. Sfruttando il potere dell’apprendimento profondo, questa tecnologia promette di accelerare la comprensione della risposta all’immunoterapia e lo sviluppo di trattamenti personalizzati per il cancro.

I frammenti proteici che stimolano le risposte immunitarie derivano spesso da alterazioni genetiche all’interno delle cellule tumorali, note come neoantigeni associati alle mutazioni. L’insieme unico di questi neoantigeni all’interno del tumore di ciascun paziente determina il grado di dissimilitudine tra il tumore e le cellule sane. Identificare i neoantigeni più potenti che attivano risposte immunitarie è fondamentale per adattare vaccini e terapie immunitarie efficaci contro il cancro e per guidare la selezione dei pazienti per questi trattamenti. Tuttavia, le tecniche convenzionali per identificare e convalidare tali neoantigeni che attivano risposte immunitarie sono laboriose e costose, basandosi pesantemente su esperimenti di laboratorio che richiedono molto tempo.

• XGBoost La Guida Definitiva (Parte 2)
• Crittografia post-quantistica con Python e Linux
• Le complessità dell’implementazione della risoluzione delle entità

Per affrontare la scarsità di dati disponibili per addestrare modelli di apprendimento profondo a causa della natura intensiva di risorse della convalida dei neoantigeni, i ricercatori hanno utilizzato un approccio di trasferimento dell’apprendimento a due fasi per addestrare BigMHC. Inizialmente, BigMHC ha imparato a identificare gli antigeni presenti sulla superficie cellulare, una fase della risposta immunitaria con abbondanza di dati disponibili. Successivamente, è stato perfezionato per prevedere il riconoscimento delle cellule T, una fase successiva caratterizzata da una disponibilità limitata di dati. Questa strategia ha consentito ai ricercatori di costruire un modello completo di presentazione degli antigeni e di perfezionarlo per prevedere in modo efficace gli antigeni immunogeni.

Test empirici di BigMHC su ampie serie di dati indipendenti hanno rivelato la sua superiore accuratezza nella previsione della presentazione degli antigeni rispetto ad altri metodi esistenti. Inoltre, quando applicato ai dati forniti dai ricercatori, BigMHC ha superato significativamente sette tecniche alternative nell’identificazione dei neoantigeni responsabili di attivare risposte delle cellule T. Questo risultato non solo dimostra la notevole precisione predittiva di BigMHC, ma segna anche il suo potenziale nel rispondere all’urgente necessità clinica di personalizzare l’immunoterapia del cancro.

Mentre il team espande la sua indagine sull’utilità di BigMHC in diversi trial clinici di immunoterapia, diventa sempre più evidente il potenziale della tecnologia nel semplificare l’identificazione di promettenti neoantigeni per risposte immunitarie. L’obiettivo finale è quello di utilizzare BigMHC per guidare lo sviluppo di immunoterapie applicabili a più pazienti o vaccini personalizzati mirati a potenziare la risposta immunitaria individuale contro le cellule tumorali.

Abbracciando strumenti basati sull’apprendimento automatico come BigMHC, i ricercatori immaginano un futuro in cui i medici e gli investigatori sul cancro possono selezionare in modo efficiente attraverso ampie serie di dati, aprendo la strada a approcci più efficienti, economici e personalizzati al trattamento del cancro. Come dimostra questo lavoro pionieristico, l’integrazione dell’apprendimento profondo nella ricerca clinica sul cancro e nella pratica segna un passo significativo avanti nella lotta per sconfiggere il cancro attraverso tecnologie innovative e collaborazione interdisciplinare.