Cómo funciona el marco de IA con supervisión humana

• Integración de datos: El equipo combinó cuatro conjuntos de datos públicos de secuenciación de ARN unicelular de cáncer de piel con información de bases de datos públicas, y luego aplicó pautas biológicas específicas para priorizar más de 10.000 posibles antígenos de superficie según características relevantes para CAR-T (por ejemplo, expresión específica de tumor, accesibilidad en la superficie) .
• Nominación basada en LLM: Se utilizaron varios modelos de lenguaje de gran tamaño de última generación para nominar objetivos ideales a partir de esa lista priorizada .
• Repetición para reducir alucinaciones: Toda la simulación de nominación se repitió de forma independiente 1.000 veces para mitigar los riesgos conocidos de los LLM, como las alucinaciones, y los resultados se agregaron en una lista corta final .
• Revisión de expertos humanos: Los científicos luego revisaron la lista corta y realizaron la validación biológica (confirmación de la expresión en la superficie, construcción de CAR y pruebas preclínicas) .
• Velocidad: Todo el proceso impulsado por IA tomó menos de unas pocas semanas, en comparación con meses o años con métodos manuales .

Antígeno principal identificado: GPNMB

• GPNMB (glicoproteína no metastásica de melanoma B) surgió como el candidato principal del marco de IA .
• Las células CAR-T dirigidas a GPNMB mostraron una actividad antitumoral significativa en modelos de ratón de melanoma, leucemia y cáncer colorrectal, lo que demuestra su potencial contra múltiples tipos de cáncer .

Cómo el enfoque busca acelerar el descubrimiento de objetivos más allá de los cánceres de la sangre

• Diseño agnóstico a la enfermedad: El marco se construyó para ser modular y generalizable a cualquier tipo de cáncer o enfermedad, sin limitarse a los conjuntos de datos de cáncer de piel utilizados como prueba de concepto .
• Funciona con datos públicos: Se ejecuta sobre conjuntos de datos disponibles públicamente, democratizando el descubrimiento de objetivos más allá de las instituciones con acceso a muestras clínicas o secuenciación propia .
• Independiente del LLM: El marco no está vinculado a ningún LLM específico, por lo que se puede aplicar a modelos futuros más avanzados a medida que surjan .
• Objetivo: Los investigadores diseñaron explícitamente el enfoque para romper el cuello de botella en la búsqueda de objetivos de superficie seguros y eficaces para tumores sólidos, la principal barrera para expandir la terapia CAR-T más allá de los cánceres de la sangre para los que actualmente está aprobada por la FDA .

Cómo funciona el marco de IA con supervisión humana

• Integración de datos: El equipo combinó cuatro conjuntos de datos públicos de secuenciación de ARN unicelular de cáncer de piel con información de bases de datos públicas, y luego aplicó pautas biológicas específicas para priorizar más de 10.000 posibles antígenos de superficie según características relevantes para CAR-T (por ejemplo, expresión específica de tumor, accesibilidad en la superficie) .
• Nominación basada en LLM: Se utilizaron varios modelos de lenguaje de gran tamaño de última generación para nominar objetivos ideales a partir de esa lista priorizada .
• Repetición para reducir alucinaciones: Toda la simulación de nominación se repitió de forma independiente 1.000 veces para mitigar los riesgos conocidos de los LLM, como las alucinaciones, y los resultados se agregaron en una lista corta final .
• Revisión de expertos humanos: Los científicos luego revisaron la lista corta y realizaron la validación biológica (confirmación de la expresión en la superficie, construcción de CAR y pruebas preclínicas) .
• Velocidad: Todo el proceso impulsado por IA tomó menos de unas pocas semanas, en comparación con meses o años con métodos manuales .

Antígeno principal identificado: GPNMB

• GPNMB (glicoproteína no metastásica de melanoma B) surgió como el candidato principal del marco de IA .
• Las células CAR-T dirigidas a GPNMB mostraron una actividad antitumoral significativa en modelos de ratón de melanoma, leucemia y cáncer colorrectal, lo que demuestra su potencial contra múltiples tipos de cáncer .

Cómo el enfoque busca acelerar el descubrimiento de objetivos más allá de los cánceres de la sangre

• Diseño agnóstico a la enfermedad: El marco se construyó para ser modular y generalizable a cualquier tipo de cáncer o enfermedad, sin limitarse a los conjuntos de datos de cáncer de piel utilizados como prueba de concepto .
• Funciona con datos públicos: Se ejecuta sobre conjuntos de datos disponibles públicamente, democratizando el descubrimiento de objetivos más allá de las instituciones con acceso a muestras clínicas o secuenciación propia .
• Independiente del LLM: El marco no está vinculado a ningún LLM específico, por lo que se puede aplicar a modelos futuros más avanzados a medida que surjan .
• Objetivo: Los investigadores diseñaron explícitamente el enfoque para romper el cuello de botella en la búsqueda de objetivos de superficie seguros y eficaces para tumores sólidos, la principal barrera para expandir la terapia CAR-T más allá de los cánceres de la sangre para los que actualmente está aprobada por la FDA .