기계 학습 모델은 치료 효과를 예측합니다

새로운 기계 학습 모델은 현재 시행착오 방식 대신 ICB에 가장 잘 반응할 환자를 빠르게 식별하여 치료 시간을 단축할 수 있습니다.

Eindhoven University of Technology의 연구원들은 특정 면역 요법이 암 환자에게 도움이 될지 여부를 더 잘 예측하기 위해 기계 학습으로 눈을 돌리고 있습니다. 최신 논문의 모델은 가능성을 보여주며 지금까지 기존의 임상 접근 방식보다 성능이 뛰어납니다.

암과의 싸움에서 면역요법 활용

종양 세포는 신체의 자연적 방어로부터 숨어 있어 암을 표적으로 삼고 치료하기가 매우 어렵기로 악명이 높습니다. 종양 세포는 신체의 자연 면역 반응을 차단하지만 면역 요법은 일부 환자의 경우 이를 다시 깨울 수 있습니다. 문제는 어떤 환자가 반응할 가능성이 가장 높은지 조기에 발견하는 것입니다.

그러한 치료법 중 하나인 면역 체크포인트 차단제(ICB)는 숨기려고 하는 암세포가 내리는 차단 명령을 무시하도록 면역 세포에 지시합니다. 혁명적인 발견이지만 암 환자의 약 3분의 1만이 치료에 반응합니다.

새로운 기계 학습 모델은 현재 시행착오 방식 대신 ICB에 가장 잘 반응할 환자를 빠르게 식별하여 치료 시간을 단축할 수 있습니다. 이 모델은 또한 반응하지 않을 가능성이 있는 환자가 대신 적시에 치료를 받도록 하는 데 도움이 될 수 있습니다. 이 모델은 다른 환자의 3분의 2가 반응하지 않는 이유를 정확히 밝혀낼 수도 있습니다.

참조: AI는 임상 시험의 새로운 시대를 열 수 있습니다

머신 러닝 모델의 작동 방식

기계 학습은 환자 샘플에서 종양의 바이오마커를 탐색합니다. 이 마커가 다른 세포와 어떻게 통신하여 ICB에 대한 반응을 일으키거나 거부하는지 탐구합니다. 거기에서 기계는 환자 샘플에서 학습하여 ICB 성공을 나타내는 동일한 바이오마커를 보유하는 미래의 환자를 식별할 수 있습니다.

기계 학습을 사용하는 것은 새로운 방법은 아니지만 연구원들은 지속적인 데이터 액세스 문제를 해결하기 위해 작은 트릭을 추가했습니다. RNA 시퀀싱 데이터 세트는 널리 이용 가능하지만 암 반응에 특정한 데이터 세트는 제한적입니다. 연구자들은 몇 가지 대체 면역 반응을 사용했습니다. 함께, 그들은 긍정적인 ICB 반응을 나타낼 수 있습니다.

현재 바이오마커 검출에 대해 테스트했을 때 모델이 더 잘 수행되었습니다. 또한 원하는 면역 반응을 얻는 데 가장 중요한 마커를 식별하는 데 유용할 수 있습니다. 이는 의사 및 의료 전문가와 협력하여 개인 맞춤형 의약품을 제공하는 또 다른 단계입니다.