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 .