So funktioniert das Human-in-the-Loop-KI-Framework

• Datenintegration: Das Team kombinierte vier öffentlich zugängliche Einzelzell-RNA-Sequenzierungsdatensätze zu Hautkrebs mit Daten aus öffentlichen Datenbanken und wandte spezifische biologische Richtlinien an, um mehr als 10.000 potenzielle Oberflächenantigene nach CAR-T-relevanten Merkmalen (z. B. tumorspezifische Expression, Oberflächenzugänglichkeit) zu priorisieren .
• LLM-basierte Nominierung: Mehrere führende große Sprachmodelle wurden verwendet, um ideale Ziele aus dieser priorisierten Liste zu nominieren .
• Wiederholung zur Reduzierung von Halluzinationen: Die gesamte Nominierungssimulation wurde unabhängig 1.000 Mal wiederholt, um bekannte LLM-Risiken wie Halluzinationen zu mindern, und die Ergebnisse wurden zu einer endgültigen Shortlist zusammengefasst .
• Überprüfung durch Fachexperten: Wissenschaftler überprüften die Shortlist und führten biologische Validierungen durch (Bestätigung der Oberflächenexpression, CAR-Konstruktion und präklinische Tests) .
• Geschwindigkeit: Die gesamte KI-gesteuerte Pipeline dauerte weniger als ein paar Wochen, verglichen mit Monaten oder Jahren bei manuellen Methoden .

Top-Antigen identifiziert: GPNMB

• GPNMB (Glykoprotein nicht-metastatisches Melanomprotein B) erwies sich als der häufigste nominierte Kandidat aus dem Framework .
• GPNMB-gerichtete CAR-T-Zellen zeigten in Mausmodellen für Melanom, Leukämie und Darmkrebs signifikante Antitumoraktivität und damit ein multikanzeröses Potenzial .

Wie der Ansatz die Zielentdeckung über Blutkrebs hinaus beschleunigen soll

• Krankheitsunabhängiges Design: Das Framework wurde modular und auf jede Krebsart oder Krankheit übertragbar konzipiert und nicht auf die für den Proof-of-Concept verwendeten Hautkrebsdatensätze beschränkt .
• Funktioniert mit öffentlichen Daten: Es läuft auf öffentlich zugänglichen Datensätzen und demokratisiert so die Zielentdeckung über Institutionen hinaus, die Zugang zu klinischen Proben oder proprietären Sequenzierungen haben .
• LLM-unabhängig: Das Framework ist nicht an ein bestimmtes LLM gebunden und kann daher auf zukünftige, fortschrittlichere Modelle angewendet werden, sobald diese verfügbar sind .
• Ziel: Die Forscher haben den Ansatz explizit entwickelt, um den Engpass bei der Suche nach sicheren, wirksamen Oberflächenzielen für solide Tumore zu durchbrechen – das größte Hindernis für die Ausweitung der CAR-T-Therapie über die Blutkrebsarten hinaus, für die sie derzeit von der FDA zugelassen ist .

So funktioniert das Human-in-the-Loop-KI-Framework

• Datenintegration: Das Team kombinierte vier öffentlich zugängliche Einzelzell-RNA-Sequenzierungsdatensätze zu Hautkrebs mit Daten aus öffentlichen Datenbanken und wandte spezifische biologische Richtlinien an, um mehr als 10.000 potenzielle Oberflächenantigene nach CAR-T-relevanten Merkmalen (z. B. tumorspezifische Expression, Oberflächenzugänglichkeit) zu priorisieren .
• LLM-basierte Nominierung: Mehrere führende große Sprachmodelle wurden verwendet, um ideale Ziele aus dieser priorisierten Liste zu nominieren .
• Wiederholung zur Reduzierung von Halluzinationen: Die gesamte Nominierungssimulation wurde unabhängig 1.000 Mal wiederholt, um bekannte LLM-Risiken wie Halluzinationen zu mindern, und die Ergebnisse wurden zu einer endgültigen Shortlist zusammengefasst .
• Überprüfung durch Fachexperten: Wissenschaftler überprüften die Shortlist und führten biologische Validierungen durch (Bestätigung der Oberflächenexpression, CAR-Konstruktion und präklinische Tests) .
• Geschwindigkeit: Die gesamte KI-gesteuerte Pipeline dauerte weniger als ein paar Wochen, verglichen mit Monaten oder Jahren bei manuellen Methoden .

Top-Antigen identifiziert: GPNMB

• GPNMB (Glykoprotein nicht-metastatisches Melanomprotein B) erwies sich als der häufigste nominierte Kandidat aus dem Framework .
• GPNMB-gerichtete CAR-T-Zellen zeigten in Mausmodellen für Melanom, Leukämie und Darmkrebs signifikante Antitumoraktivität und damit ein multikanzeröses Potenzial .

Wie der Ansatz die Zielentdeckung über Blutkrebs hinaus beschleunigen soll

• Krankheitsunabhängiges Design: Das Framework wurde modular und auf jede Krebsart oder Krankheit übertragbar konzipiert und nicht auf die für den Proof-of-Concept verwendeten Hautkrebsdatensätze beschränkt .
• Funktioniert mit öffentlichen Daten: Es läuft auf öffentlich zugänglichen Datensätzen und demokratisiert so die Zielentdeckung über Institutionen hinaus, die Zugang zu klinischen Proben oder proprietären Sequenzierungen haben .
• LLM-unabhängig: Das Framework ist nicht an ein bestimmtes LLM gebunden und kann daher auf zukünftige, fortschrittlichere Modelle angewendet werden, sobald diese verfügbar sind .
• Ziel: Die Forscher haben den Ansatz explizit entwickelt, um den Engpass bei der Suche nach sicheren, wirksamen Oberflächenzielen für solide Tumore zu durchbrechen – das größte Hindernis für die Ausweitung der CAR-T-Therapie über die Blutkrebsarten hinaus, für die sie derzeit von der FDA zugelassen ist .