Umělá inteligence našla nový cíl pro léčbu solidních nádorů pomocí CAR T buněk

Dne 25. června 2026 zveřejnil tým výzkumníků z Penn Medicine vedený Danielem Bakerem, Carlem Junem a Zoltánem Aranym v časopise Cell přelomovou studii. Popsali v ní lidsko-AI framework, který integruje velké jazykové modely s daty ze sekvenování RNA jednotlivých buněk, aby systematicky objevoval a prioritizoval nové cíle pro CAR T buněčnou terapii . Jejich nejlepším kandidátem se stal antigen GPNMB (glykoprotein non-metastatický melanomový protein B) a CAR T buňky zaměřené na GPNMB prokázaly významnou protinádorovou aktivitu v myších modelech melanomu, leukémie a kolorektálního karcinomu . Framework je navržen jako modulární, nezávislý na konkrétním typu onemocnění a adaptovatelný na jakýkoli velký jazykový model. Jeho cílem je dramaticky urychlit objevování cílů pro solidní nádory – zkrátit proces, který dnes trvá měsíce až roky, na pouhé týdny .

Jak funguje framework s lidskou kontrolou a AI

Výzkumný tým vyvinul vícekrokový proces, který kombinuje výpočetní sílu s odborným biologickým dohledem. Celý postup vypadá takto:

• Integrace dat: Tým spojil čtyři veřejně dostupné datové soubory ze sekvenování RNA jednotlivých buněk z melanomové kůže s daty z veřejných databází. Poté aplikoval specifická biologická kritéria, aby z více než 10 000 potenciálních povrchových antigenů vybral ty, které vyhovují CAR T terapii (např. specifická exprese v nádoru, přístupnost na povrchu buňky) .
• Nominace pomocí LLM: K nominaci ideálních cílů z tohoto prioritizovaného seznamu bylo použito několik předních velkých jazykových modelů .
• Opakování pro snížení halucinací: Celá nominační simulace byla nezávisle opakována 1 000krát, aby se zmírnila známá rizika LLM, jako jsou halucinace. Výsledky byly následně agregovány do konečného užšího seznamu .
• Odborný přezkum člověkem: Vědci poté zkontrolovali užší seznam a provedli biologickou validaci – potvrzení povrchové exprese, konstrukci CAR a preklinické testování .
• Rychlost: Celý proces řízený AI trval méně než několik týdnů, zatímco manuální metody by zabraly měsíce až roky .

Hlavní objevený antigen: GPNMB

GPNMB (glykoprotein non-metastatický melanomový protein B) vzešel z přísného nominačního procesu frameworku jako nejlepší kandidát . GPNMB je transmembránový glykoprotein typu I, který se podílí na melanogenezi a opravě tkání. CAR T buňky zaměřené na GPNMB vykazovaly významnou protinádorovou aktivitu v myších modelech:

• Melanom (rakovina kůže)
• Leukémie (rakovina krve)
• Kolorektální karcinom (rakovina tlustého střeva a konečníku)

Tato účinnost napříč několika typy rakoviny naznačuje, že CAR T buňky zaměřené na GPNMB by mohly mít široký terapeutický potenciál u různých solidních i hematologických malignit .

Jak tento přístup urychluje objevování cílů i mimo krevní nádory

CAR T buněčná terapie byla převratná pro některé krevní nádory, jako je leukémie a lymfom, ale pokrok u solidních nádorů byl pomalý kvůli obtížnému hledání bezpečných a účinných povrchových cílů. Tento nový framework byl explicitně navržen tak, aby tuto překážku překonal:

• Design nezávislý na onemocnění: Framework je modulární a zobecnitelný na jakýkoli typ rakoviny nebo onemocnění, není omezen na datové soubory melanomu použité pro důkaz konceptu .
• Funguje s veřejnými daty: Běží na veřejně dostupných datových sadách, čímž demokratizuje objevování cílů i pro instituce bez přístupu ke klinickým vzorkům nebo proprietárnímu sekvenování .
• Nezávislý na LLM: Framework není vázán na žádný konkrétní velký jazykový model, což znamená, že jej lze aplikovat na budoucí, pokročilejší modely, jakmile se objeví .
• Cíl: Výzkumníci explicitně navrhli tento přístup k prolomení překážky – nalezení bezpečných a účinných povrchových cílů pro solidní nádory – což je hlavní bariéra rozšíření CAR T terapie i mimo krevní nádory, pro které je v současnosti schválena americkým úřadem FDA .

Proč je GPNMB důležitý pro CAR T terapii solidních nádorů

Solidní nádory představují pro CAR T terapii jedinečné výzvy: jsou hůře prostupné, mají agresivnější mikroprostředí a často postrádají nádorově specifické povrchové antigeny. GPNMB je exprimován na mnoha solidních nádorech, ale má omezenou expresi na zdravých tkáních, což z něj činí slibného kandidáta pro cílenou terapii. Tým z Penn je nyní připraven posunout tento cíl směrem ke klinickému testování .

Role AI ve studii

Tato studie je součástí širšího trendu, kdy se umělá inteligence a strojové učení uplatňují k urychlení každé fáze vývoje CAR T – od identifikace cíle, přes návrh vektoru, výrobu až po personalizovaná klinická rozhodnutí . Framework z Penn konkrétně používá LLM k prioritizaci kandidátů z velkého souboru potenciálních povrchových proteinů a poté se spoléhá na lidské odborníky pro konečnou validaci a testování. Tento lidsko-AI přístup zajišťuje, že výpočetní výsledky jsou ověřeny proti reálné biologii.

Co to znamená pro budoucnost imunoterapie rakoviny

Tím, že zkracuje dobu objevování cílů z let na týdny a zpřístupňuje proces jakékoli výzkumné skupině s přístupem k veřejným datům, by tento framework mohl výrazně urychlit vývoj CAR T terapií pro solidní nádory. Pokud CAR T buňky zaměřené na GPNMB prokáží v lidských klinických studiích stejnou účinnost jako v myších modelech, mohl by tento přístup otevřít novou kapitolu v léčbě rakovin, které byly dosud vůči imunoterapii rezistentní.