AI hjælper forskere med at finde nyt mål for CAR-T cellebehandling mod solide kræftformer

Den 25. juni 2026 offentliggjorde forskere fra Penn Medicine under ledelse af Daniel Baker, Carl June og Zoltan Arany et studie i Cell, der beskriver en human-in-the-loop AI-ramme (AI med menneskelig ekspertise), som integrerer store sprogmodeller (LLM'er) med enkeltcelle-RNA-sekventeringsdata for systematisk at opdage og prioritere nye mål for CAR-T-celleterapi . Deres topkandidatantigen var GPNMB (glycoprotein non-metastatic melanoma protein B), og GPNMB-rettede CAR-T-celler viste effekt i musemodeller af modermærkekræft, leukæmi og tyktarmskræft . Rammen er designet til at være modulær, sygdomsagnostisk og tilpasselig til enhver LLM og sigter mod at accelerere opdagelsen af mål for solide tumorer dramatisk – en proces, der kan tage måneder eller år, reduceres til blot få uger .

Sådan fungerer AI-rammen med menneskelig ekspertise

• Dataintegration: Holdet kombinerede fire offentligt tilgængelige enkeltcelle-RNA-sekventeringsdatasæt for hudkræft med data fra offentlige databaser og anvendte specifikke biologiske retningslinjer for at prioritere mere end 10.000 potentielle overfladeantigener for CAR-T-relevante egenskaber (f.eks. tumorspecifik ekspression, overfladetilgængelighed) .
• LLM-baseret nominering: Adskillige store sprogmodeller blev brugt til at nominere ideelle mål fra den prioriterede liste .
• Gentagelse for at reducere hallucination: Hele nominationssimuleringen blev uafhængigt gentaget 1.000 gange for at mindske kendte LLM-risici som hallucinationer, og resultaterne blev samlet i en endelig shortliste .
• Menneskelig ekspertvurdering: Forskere gennemgik derefter shortlisten og udførte biologisk validering (bekræftelse af overfladeekspression, CAR-konstruktion og præklinisk testning) .
• Hastighed: Hele AI-drevet pipeline tog mindre end et par uger sammenlignet med måneder eller år med manuelle metoder .

Det bedste antigen identificeret: GPNMB

• GPNMB (glycoprotein non-metastatic melanoma protein B) fremstod som den bedste kandidat fra rammen .
• GPNMB-målrettede CAR-T-celler viste betydelig anti-tumor aktivitet i musemodeller af modermærkekræft, leukæmi og tyktarmskræft, hvilket demonstrerer potentiale mod flere kræftformer .

Hvordan metoden sigter mod at accelerere målopdagelse ud over blodkræft

• Sygdomsagnostisk design: Rammen blev bygget til at være modulær og generaliserbar til enhver kræfttype eller sygdom, ikke begrænset til hudkræftdatasættene brugt til proof-of-concept .
• Arbejder med offentlige data: Den kører på offentligt tilgængelige datasæt, hvilket demokratiserer målopdagelse ud over institutioner med adgang til kliniske prøver eller proprietær sekventering .
• LLM-agnostisk: Rammen er ikke bundet til nogen specifik LLM, så den kan anvendes på fremtidige, mere avancerede modeller, når de dukker op .
• Mål: Forskerne designede udtrykkeligt metoden til at bryde flaskehalsen i at finde sikre, effektive overflademål for solide tumorer – den største barriere for at udvide CAR-T-behandling ud over de blodkræftformer, den i øjeblikket er FDA-godkendt til .