Data tłumaczenia ·
S3 Virtual Workshop Series: Drug Response and Resistance
NCI Scientific Events and Resources · · Źródło
Anglojęzyczne nagranie warsztatu NCI „Drug Response and Resistance” omawia czasową i przestrzenną biologię odpowiedzi na leki i oporności w nowotworach. Wydarzenie odbyło się 20 maja 2025 r.; publikacja w YouTube jest datowana na 23 kwietnia 2026 r. Materiał stanowi ogólny kontekst badawczy, a nie badanie potwierdzające korzyść kliniczną PERCEPTION ani wiadomość dotyczącą konkretnie tego artykułu.
Otwarcie wideo łączy urządzenie z YouTube. Dostawca może otrzymać adres IP i informacje o urządzeniu oraz używać plików cookie. Wideo nie uruchamia się automatycznie.
Jaki problem rozwiązują dane pojedynczych komórek?
Guz może zawierać podgrupy komórek różnie reagujących na leki. Zbiorczy pomiar RNA łączy tę różnorodność w uśredniony sygnał; sekwencjonowanie RNA pojedynczych komórek pomaga analizować różnice między nimi. NCI zaznacza, że pomiary te są droższe i nie są powszechnie dostępne w praktyce klinicznej.
Jak uczy się PERCEPTION?
W badaniu opublikowanym 18 kwietnia 2024 r. model najpierw uczy się na zbiorczych danych ekspresji genów i przesiewowych badań leków w liniach komórkowych, a następnie jest dostrajany danymi pojedynczych komórek. To uczenie transferowe: zastosowanie wiedzy z jednego rodzaju danych do innego, powiązanego rodzaju. Uzyskano modele spełniające przyjęte kryterium dla 44 ze 133 leków; liczby te nie są odsetkiem sukcesów leczenia pacjentów.
Jakie dane pacjentów oceniono?
Według NCI wcześniej opublikowane dane obejmowały 41 osób ze szpiczakiem mnogim leczonych kombinacją czterech leków i 33 osoby z rakiem piersi leczone kombinacją dwóch leków. Rozwój oporności badano też w danych 24 osób z niedrobnokomórkowym rakiem płuca otrzymujących terapie celowane. Są to różne choroby i konteksty leczenia, których nie należy sprowadzać do jednego ogólnego procentu trafności.
Dlaczego oddzielać przewidywanie, korzyść kliniczną i dopuszczenie?
Znalezienie wzorców związanych z odpowiedzią w tych analizach nie dowodzi, że leczenie kierowane modelem poprawia wyniki w porównaniu prospektywnym. Określenie leków w źródle jako zatwierdzonych przez FDA nie oznacza również dopuszczenia metody AI ani każdego proponowanego zastosowania. Wyniki badań, decyzje o użyciu klinicznym i dopuszczenie regulacyjne wymagają osobnej oceny.
Co powinny sprawdzać kolejne badania?
Ocena redakcyjna: ważne są niezależna walidacja w nowych ośrodkach i różnych grupach pacjentów, wpływ jakości pomiarów oraz prospektywna ocena korzyści klinicznej. Podobne profile RNA nie gwarantują takiego samego indywidualnego wyniku. Tekst nie zaleca rozpoczynania, zmiany ani odstawiania leku i nie potwierdza skuteczności produktów RAI.
Źródła
Artykuł ma charakter edukacyjny i informacyjny. Przywołanie organizacji nie oznacza jej poparcia dla RAI Health Pro ani nie potwierdza skuteczności klinicznej produktu lub modelu.