Comment fonctionne le cadre d'IA « humain dans la boucle »

• Intégration des données : L'équipe a combiné quatre jeux de données publics de séquençage ARN unicellulaire de cancers de la peau avec des données provenant de bases de données publiques, puis a appliqué des directives biologiques spécifiques pour prioriser plus de 10 000 antigènes de surface potentiels en fonction de critères pertinents pour les CAR-T (expression spécifique à la tumeur, accessibilité en surface, etc.) .
• Nomination par LLM : Plusieurs grands modèles de langage de pointe ont été utilisés pour nommer les cibles idéales à partir de cette liste priorisée .
• Répétition pour réduire les hallucinations : L'ensemble du processus de nomination a été répété indépendamment 1 000 fois pour atténuer les risques connus des LLM tels que les hallucinations, et les résultats ont été agrégés en une liste finale .
• Examen par des experts humains : Des scientifiques ont ensuite examiné cette liste et effectué une validation biologique (confirmation de l'expression en surface, construction de CAR, tests précliniques) .
• Rapidité : L'ensemble du pipeline piloté par l'IA a pris moins de quelques semaines, contre des mois ou des années avec les méthodes manuelles .

L'antigène principal identifié : GPNMB

• GPNMB (glycoprotéine B non métastatique du mélanome) est ressorti comme le meilleur candidat du cadre .
• Les cellules CAR-T ciblant GPNMB ont montré une activité anti-tumorale significative dans des modèles murins de mélanome, leucémie et cancer colorectal, démontrant un potentiel multi-cancers .

Comment l'approche vise à accélérer la découverte de cibles au-delà des cancers du sang

• Conception agnostique : Le cadre a été construit pour être modulaire et généralisable à tout type de cancer ou de maladie, sans se limiter aux jeux de données sur le cancer de la peau utilisés pour la preuve de concept .
• Utilisation de données publiques : Il fonctionne sur des jeux de données accessibles au public, démocratisant la découverte de cibles au-delà des institutions ayant accès à des échantillons cliniques ou à un séquençage propriétaire .
• Indépendant du LLM : Le cadre n'est pas lié à un LLM spécifique, ce qui permet de l'appliquer aux futurs modèles plus avancés .
• Objectif : Les chercheurs ont explicitement conçu l'approche pour lever le goulot d'étranglement de la découverte de cibles de surface sûres et efficaces pour les tumeurs solides — le principal obstacle à l'extension de la thérapie CAR-T au-delà des cancers du sang pour lesquels elle est actuellement approuvée par la FDA .

Comment fonctionne le cadre d'IA « humain dans la boucle »

• Intégration des données : L'équipe a combiné quatre jeux de données publics de séquençage ARN unicellulaire de cancers de la peau avec des données provenant de bases de données publiques, puis a appliqué des directives biologiques spécifiques pour prioriser plus de 10 000 antigènes de surface potentiels en fonction de critères pertinents pour les CAR-T (expression spécifique à la tumeur, accessibilité en surface, etc.) .
• Nomination par LLM : Plusieurs grands modèles de langage de pointe ont été utilisés pour nommer les cibles idéales à partir de cette liste priorisée .
• Répétition pour réduire les hallucinations : L'ensemble du processus de nomination a été répété indépendamment 1 000 fois pour atténuer les risques connus des LLM tels que les hallucinations, et les résultats ont été agrégés en une liste finale .
• Examen par des experts humains : Des scientifiques ont ensuite examiné cette liste et effectué une validation biologique (confirmation de l'expression en surface, construction de CAR, tests précliniques) .
• Rapidité : L'ensemble du pipeline piloté par l'IA a pris moins de quelques semaines, contre des mois ou des années avec les méthodes manuelles .

L'antigène principal identifié : GPNMB

• GPNMB (glycoprotéine B non métastatique du mélanome) est ressorti comme le meilleur candidat du cadre .
• Les cellules CAR-T ciblant GPNMB ont montré une activité anti-tumorale significative dans des modèles murins de mélanome, leucémie et cancer colorectal, démontrant un potentiel multi-cancers .

Comment l'approche vise à accélérer la découverte de cibles au-delà des cancers du sang

• Conception agnostique : Le cadre a été construit pour être modulaire et généralisable à tout type de cancer ou de maladie, sans se limiter aux jeux de données sur le cancer de la peau utilisés pour la preuve de concept .
• Utilisation de données publiques : Il fonctionne sur des jeux de données accessibles au public, démocratisant la découverte de cibles au-delà des institutions ayant accès à des échantillons cliniques ou à un séquençage propriétaire .
• Indépendant du LLM : Le cadre n'est pas lié à un LLM spécifique, ce qui permet de l'appliquer aux futurs modèles plus avancés .
• Objectif : Les chercheurs ont explicitement conçu l'approche pour lever le goulot d'étranglement de la découverte de cibles de surface sûres et efficaces pour les tumeurs solides — le principal obstacle à l'extension de la thérapie CAR-T au-delà des cancers du sang pour lesquels elle est actuellement approuvée par la FDA .