Erklärbare künstliche Intelligenz könnte Vorhersagen zu Brustkrebsmedikamenten sicherer und klarer machen.

Durch die Kombination von Genomik, erklärbarer KI und Strategien zur Wiederverwendung von Arzneimitteln skizzieren Forscher einen Weg, um schnellere, kostengünstigere und gezieltere Behandlungsmöglichkeiten für komplexe Subtypen von Brustkrebs zu finden.

In einem aktuellen Review, veröffentlicht in der Zeitschrift npj Genomic Medicine, untersuchten eine Gruppe von Autoren, wie KI-gesteuerte genomische Analysen Strategien zur Wiederverwendung von Arzneimitteln für eine präzise Behandlung von Brustkrebs unterstützen könnten.

Hintergrund

Brustkrebs bleibt einer der häufigsten und tödlichsten Krebsarten, mit schätzungsweise 2,3 Millionen neuen Fällen und 670.000 Todesfällen weltweit im Jahr 2022. Die Entwicklung neuer Medikamente zur Behandlung von Brustkrebs erfordert in der Regel mehr als 10 Jahre und Milliarden von Dollar, was die schnelle Verfügbarkeit neuer Therapien für Patienten erschwert. KI und genomische Technologien helfen dabei, zu entdecken, wie Gene, Medikamente und Signalwege mit Brustkrebs assoziiert sind. Dadurch können Forscher bestehende Medikamente identifizieren, die bei aggressiveren Subtypen von Brustkrebs eingesetzt werden könnten, und den Patienten schnellere und kostengünstigere Behandlungsoptionen bieten. Für die Gewährleistung der Genauigkeit dieser Vorhersagen ist jedoch weitere Forschung erforderlich, um sicherzustellen, dass sie klinisch interpretierbar und für verschiedene Patientengruppen anwendbar sind.

Das genomische Verständnis von Brustkrebs

Brustkrebs ist eine komplexe Krankheit, die durch eine große Variabilität zwischen verschiedenen Tumoren bei unterschiedlichen Patienten und auch zwischen Tumoren desselben Patienten gekennzeichnet ist. Die primären molekularen Subtypen von Brustkrebs sind luminal A und B, humaner epidermaler Wachstumsfaktor Rezeptor 2 (HER2)-angereichert und triple-negativer Brustkrebs (TNBC). Fortschritte in der Genomik ermöglichen es Wissenschaftlern, mehrere Schichten biologischer Informationen gleichzeitig zu studieren, einschließlich DNA-Mutationen, Genexpression, Proteinexpression und epigenetischer Regulation.

KI in der Brustkrebsforschung

KI hat sich als leistungsstarkes Werkzeug zur Verwaltung der großen Mengen an genomischen und klinischen Daten herausgestellt, die in der Krebsforschung entstehen. Maschinenlern- und Deep-Learning-Modelle können Muster in großen Datensätzen identifizieren, wodurch Forscher Tumoren gruppieren, vorhersagen können, wie Tumoren auf Therapien reagieren, und neue Ziele für die Entwicklung von Therapeutika identifizieren können.

Eine weitere Anwendung des maschinellen Lernens in der Krebsforschung besteht darin, festzustellen, ob genetische Varianten pathogen sind. Maschinenlernmodelle, die mit großen genomischen Datenbanken entwickelt wurden, werden genutzt, um Varianten von ungewisser Bedeutung (VUS) zu klassifizieren und pathogene Varianten mit potenziellen Therapieoptionen zu verknüpfen.

Forscher können jetzt erklärbare KI (XAI) Methoden wie SHapley Additive exPlanations (SHAP) und Local Interpretable Model-agnostic Explanations (LIME) verwenden, um besser zu verstehen, welche genomischen Variablen die Vorhersagen der KI-Modelle am stärksten beeinflussen. Diese Analyseinstrumente beweisen jedoch keine kausalen Mechanismen, und ihre Ergebnisse erfordern weiterhin biologische Validierung.

Wiederverwendung von Arzneimitteln als schnellere therapeutische Strategie

Die Wiederverwendung von Arzneimitteln umfasst das Finden neuer Anwendungen für bestehende Medikamente. Da genehmigte Arzneimittel bereits etablierte Sicherheitsprofile haben, können sie schneller in klinische Tests überführt werden als völlig neue Verbindungen. Diese Strategie ist besonders attraktiv bei Brustkrebs, wo Therapie-Resistenz eine große Herausforderung bleibt.

Es wurde festgestellt, dass viele häufig verschriebene Medikamente, die zur Behandlung anderer Erkrankungen als Krebs eingesetzt werden, antikrebsliche Eigenschaften aufweisen. Metformin, ein Medikament zur Behandlung von Diabetes, aktiviert die AMP-aktivierte Proteinkinase (AMPK) und kann das PI3K/AKT/mTOR-Signal in Brustkrebsmodellen hemmen. Statine, verschreibungspflichtige Medikamente zur Veränderung der Lipidwerte, hemmen HMG-CoA-Reduktase und modulieren den Mevalonat-Weg, der mit der Proliferation von Krebszellen und Metastasen in Verbindung gebracht wurde.

KI verbessert die Wiederverwendung von Arzneimitteln, indem sie genomische, pharmakologische und klinische Daten integriert. Computermethoden können Muster der Tumorgenexpression mit durch Medikamente induzierten molekularen Signaturen vergleichen, um Verbindungen zu identifizieren, die kanzerogene Signalwege umkehren können.

Graph-Neuronale Netze und transformerbasierte KI-Systeme können vorhersagen, dass ein bestehendes Medikament effektiv eine spezifische genomische Abnormalität anvisieren könnte. Wichtig ist, dass Interpretierbarkeitstechniken helfen, die biologischen Mechanismen hinter diesen Vorhersagen zu erklären, was das Vertrauen in ihre potenzielle klinische Relevanz erhöht.

Integration von KI, Genomik und präziser Onkologie

Forscher schlagen ein integriertes Framework vor, das KI, Genomik und die Wiederverwendung von Arzneimitteln in eine kontinuierliche Pipeline der präzisen Onkologie kombiniert. In diesem Modell werden patientenspezifische molekulare Daten mit fortschrittlichen KI-Systemen analysiert, um potenzielle therapeutische Ziele zu identifizieren und kandidierende Medikamente nach biologischer Plausibilität und Subtypenrelevanz zu bewerten.

Der Rahmen legt Wert auf mechanistische Validierung, anstatt sich ausschließlich auf statistische Assoziationen zu verlassen. In dem vorgeschlagenen Framework würden Arzneimittel-Kandidaten eine Weganalyse, molekulare Docking-Studien und experimentelle Validierung durchlaufen, bevor klinische Studien beginnen.

Ein Schlüsselmerkmal des vorgeschlagenen Frameworks ist eine Feedbackschleife. Daten aus experimenteller und klinischer Forschung würden in die KI-Modelle reintegriert, um künftige Vorhersagen zu verbessern und adaptives Lernen zu unterstützen. Das Ergebnis ist ein iterativer Prozess, bei dem KI-Modelle mit neuen biologischen und klinischen Daten verfeinert werden, um die Vorhersagen über die Krebsbiologie und die Patientenreaktion auf die Therapie zu verbessern.

Herausforderungen, die die klinische Umsetzung einschränken

Trotz vielversprechender Fortschritte gibt es mehrere Hindernisse, die die klinische Umsetzung weiterhin einschränken. Viele genomische Datensätze sind wenig divers und stark auf Populationen europäischer Abstammung ausgerichtet, wodurch die Zuverlässigkeit der Vorhersagen für unterrepräsentierte Gruppen verringert wird. Die Autoren warnen, dass eine solche Voreingenommenheit die Modellleistung in afrikanischen, asiatischen, lateinamerikanischen und anderen unterrepräsentierten Bevölkerungsgruppen verringern und Ungleichheiten in der Brustkrebsbehandlung verschärfen könnte.

Validierung ist eine weitere wichtige Herausforderung für die von KI erzeugten Arzneimittelvorhersagen. Die meisten davon gehen nicht von der Berechnung in die Labortests über; daher bleibt experimentelles Testen mit Zellkulturen, patientenabgeleiteten Organoiden und Tiermodellen entscheidend, um die biologische Aktivität und die pharmakologische Sicherheit zu etablieren. Einige rechnerisch vorhergesagte Medikamente, die sich als sehr „vielversprechend“ erwiesen haben, einschließlich Metformin und Statinen, haben sich nicht konsequent als klarer klinischer Vorteil in randomisierten oder klinischen Studien herausgestellt.

Fazit

Die Überprüfung kam zu dem Schluss, dass die Integration von KI mit genomischer Analyse eine vielversprechende Strategie für die Beschleunigung der Wiederverwendung von Arzneimitteln bei Brustkrebs darstellt. Die Kombination von Multi-Omics-Daten mit interpretierbaren Methoden des maschinellen Lernens hilft den Forschern, die Vorrangstellung von Kandidaten für wiederverwendete Medikamente und therapeutischen Hypothesen für die Validierung zu priorisieren. Die Fortschritte könnten zu schnelleren Arzneimittelentwicklungszyklen, geringeren Kosten und effizienteren personalisierten Behandlungen führen. Es ist jedoch entscheidend, die Herausforderungen im Zusammenhang mit Datenvielfalt, Reproduzierbarkeit, experimenteller Validierung und ethischer Governance zu bewältigen, bevor diese Technologien in klinischen Kontexten eingesetzt werden.

Laden Sie Ihre PDF-Kopie hier herunter.

Quellen: