Terobosan AI dari Penn: Temukan Target Baru Terapi Kanker CAR-T Hanya dalam Hitungan Minggu

Pada 25 Juni 2026, para peneliti Penn Medicine yang dipimpin oleh Daniel Baker, Carl June, dan Zoltan Arany mempublikasikan sebuah studi di jurnal Cell yang mendeskripsikan kerangka kerja AI human-in-the-loop yang mengintegrasikan large language models (LLM) dengan data sekuensing RNA sel tunggal untuk secara sistematis menemukan dan memprioritaskan target baru terapi CAR-T . Kandidat antigen teratas mereka adalah GPNMB (glycoprotein non-metastatic melanoma protein B), dan sel CAR-T yang menargetkan GPNMB menunjukkan efektivitas pada model tikus untuk melanoma, leukemia, dan kanker kolorektal . Kerangka kerja ini dirancang modular, dapat diterapkan untuk berbagai penyakit (disease-agnostic), dan dapat diadaptasi ke LLM mana pun, dengan tujuan mempercepat penemuan target untuk tumor padat dan lainnya secara dramatis — mengurangi proses yang biasanya memakan waktu berbulan-bulan atau bertahun-tahun menjadi hanya beberapa minggu .

Bagaimana Kerangka Kerja AI Human-in-the-Loop Bekerja

• Integrasi data: Tim menggabungkan empat dataset sekuensing RNA sel tunggal kanker kulit yang tersedia untuk umum dengan data dari basis data publik, lalu menerapkan pedoman biologis spesifik untuk memprioritaskan lebih dari 10.000 antigen permukaan potensial yang relevan dengan CAR-T (misalnya, ekspresi spesifik tumor, aksesibilitas permukaan) .
• Nominasi berbasis LLM: Beberapa large language models (termasuk GPT-4 dan Claude) digunakan untuk menominasikan target ideal dari daftar yang telah diprioritaskan .
• Pengulangan untuk mengurangi halusinasi: Seluruh simulasi nominasi diulang secara independen sebanyak 1.000 kali untuk mengurangi risiko halusinasi yang umum terjadi pada LLM, dan hasilnya digabungkan menjadi daftar pendek final .
• Tinjauan ahli manusia: Para ilmuwan kemudian meninjau daftar pendek tersebut dan melakukan validasi biologis (konfirmasi ekspresi permukaan, konstruksi CAR, dan pengujian praklinis) .
• Kecepatan: Seluruh proses berbasis AI memakan waktu kurang dari beberapa minggu, dibandingkan dengan metode manual yang memakan waktu berbulan-bulan atau bertahun-tahun .

Antigen Teratas yang Teridentifikasi: GPNMB

• GPNMB (glycoprotein non-metastatic melanoma protein B) muncul sebagai kandidat teratas dari kerangka kerja tersebut . Protein ini merupakan glikoprotein transmembran tipe I yang berperan dalam melanogenesis dan perbaikan jaringan, dan telah diketahui diekspresikan pada melanoma serta beberapa jenis kanker lainnya .
• Sel CAR-T yang menargetkan GPNMB menunjukkan aktivitas anti-tumor yang signifikan pada model tikus untuk melanoma, leukemia, dan kanker kolorektal, menunjukkan potensi untuk digunakan pada berbagai jenis kanker .

Bagaimana Pendekatan Ini Bertujuan Mempercepat Penemuan Target di Luar Kanker Darah

• Desain disease-agnostic: Kerangka kerja ini dibangun modular dan dapat digeneralisasi untuk setiap jenis kanker atau penyakit, tidak terbatas pada dataset kanker kulit yang digunakan sebagai bukti konsep .
• Bekerja dengan data publik: Kerangka kerja ini berjalan pada dataset yang tersedia untuk umum, sehingga demokratisasi penemuan target dapat diakses oleh institusi yang tidak memiliki akses ke sampel klinis atau sekuensing milik sendiri .
• Agnostik terhadap LLM: Kerangka kerja ini tidak terikat pada LLM tertentu, sehingga dapat diterapkan pada model yang lebih maju di masa depan .
• Tujuan: Para peneliti secara eksplisit merancang pendekatan ini untuk memecahkan hambatan dalam menemukan target permukaan yang aman dan efektif untuk tumor padat — hambatan utama dalam memperluas terapi CAR-T di luar kanker darah yang telah disetujui FDA saat ini .