Veel geneesmiddelen die in klinische trials worden opgenomen slagen niet. De reden hiervan is dat er vaak onvoldoende bekend is over de achterliggende mechanismen die de respons op geneesmiddelen bepalen. Een nieuwe studie gepubliceerd in Cancer Cell zet machine learningtechnieken in om medicijnresponsen beter te voorspellen.

Machine learningtechnieken zijn vaak lastig te interpreteren en focussen zich meestal op een enkele behandeling. De onderzoekers pakten deze uitdagingen aan door 'DrugCell' te ontwikkelen, een goed te interpreteren deep learning-model van menselijke kankercellen, getraind op de interacties tussen 1.235 tumorcellijnen en 684 geneesmiddelen.

Tumorgenotypen induceren toestanden in cellulaire subsystemen die geïntegreerd zijn met de medicijnstructuur om de respons op therapie te voorspellen. Bovendien brengt het ook de biologische mechanismen aan het licht die ten grondslag liggen aan de medicijnrespons. DrugCell-voorspellingen zijn nauwkeurig in cellijnen en stratificeren ook de klinische resultaten. Het analyseren van DrugCell-mechanismen leidt rechtstreeks tot de ontwikkeling van synergetische medicijncombinaties. Deze combinaties kunnen vervolgens systematisch gevalideerd worden door middel van CRISPR, in vitro screening en onderzoek met patiëntafgeleide xenotransplantaten.

DrugCell biedt een nieuwe tool voor het construeren van interpreteerbare modellen die medicijnresponsen nauwkeurig kunnen voorspellen.

 

Referentie

Kuenzi BM, Park J, Fong SH et al. Predicting Drug Response and Synergy Using a Deep Learning Model of Human Cancer Cells. Cancer Cell. 2020 Oct 21;S1535-6108(20)30488-8. doi: 10.1016/j.ccell.2020.09.014.