L'IA trova un nuovo bersaglio per le cellule CAR-T: la scoperta dei ricercatori di Penn Medicine apre la strada ai tumori solidi

Il 25 giugno 2026, un team di ricercatori di Penn Medicine guidato da Daniel Baker, Carl June e Zoltan Arany ha pubblicato uno studio su Cell che descrive un framework di intelligenza artificiale "human-in-the-loop" (con l'essere umano al centro del processo). Questo sistema integra grandi modelli linguistici (LLM) con dati di sequenziamento dell'RNA a singola cellula per scoprire e prioritizzare in modo sistematico nuovi bersagli per la terapia con cellule CAR-T . Il candidato antigene individuato come più promettente è GPNMB (glicoproteina non metastatica del melanoma B) e le cellule CAR-T dirette contro GPNMB hanno mostrato efficacia in modelli murini di melanoma, leucemia e cancro al colon-retto . Il framework è stato progettato per essere modulare, indipendente dal tipo di malattia e adattabile a qualsiasi LLM. L'obiettivo è accelerare drasticamente la scoperta di bersagli per i tumori solidi e non solo, riducendo un processo che può richiedere mesi o anni a poche settimane .

Come funziona il framework di IA "human-in-the-loop"

• Integrazione dei dati: Il team ha combinato quattro dataset pubblici di sequenziamento dell'RNA a singola cellula provenienti da tumori cutanei con dati di database pubblici. Successivamente, ha applicato specifiche linee guida biologiche per selezionare oltre 10.000 potenziali antigeni di superficie con caratteristiche rilevanti per le CAR-T (ad esempio, espressione specifica del tumore, accessibilità superficiale) .
• Nomina basata su LLM: Diversi modelli linguistici avanzati sono stati utilizzati per nominare i bersagli ideali da quella lista selezionata .
• Ripetizione per ridurre le allucinazioni: L'intera simulazione di nomina è stata ripetuta in modo indipendente per 1.000 volte, per mitigare i noti rischi degli LLM come le allucinazioni. I risultati sono stati poi aggregati in una lista finale ristretta .
• Revisione da parte di esperti umani: Gli scienziati hanno quindi esaminato la lista ristretta e hanno effettuato la validazione biologica (conferma dell'espressione di superficie, costruzione di CAR e test preclinici) .
• Velocità: L'intero processo basato sull'IA ha richiesto meno di poche settimane, rispetto a mesi o anni con i metodi manuali .

L'antigene principale identificato: GPNMB

• GPNMB (glicoproteina non metastatica del melanoma B) è emerso come il candidato principale dal framework .
• Le cellule CAR-T mirate a GPNMB hanno mostrato una significativa attività antitumorale in modelli murini di melanoma, leucemia e cancro al colon-retto, dimostrando un potenziale multi-tumorale .

Come l'approccio mira ad accelerare la scoperta di bersagli oltre i tumori del sangue

• Progettazione indipendente dalla malattia: Il framework è stato costruito per essere modulare e generalizzabile a qualsiasi tipo di cancro o malattia, non limitato ai dataset di tumori cutanei usati come prova di concetto .
• Funziona con dati pubblici: Si basa su dataset disponibili pubblicamente, democratizzando la scoperta di bersagli anche per istituzioni che non hanno accesso a campioni clinici o a sequenziamenti proprietari .
• Indipendente dal LLM: Il framework non è legato a un modello linguistico specifico, quindi può essere applicato a modelli futuri e più avanzati man mano che emergono .
• Obiettivo: I ricercatori hanno progettato esplicitamente l'approccio per superare il collo di bottiglia nella ricerca di bersagli di superficie sicuri ed efficaci per i tumori solidi, che è il principale ostacolo all'espansione della terapia CAR-T oltre i tumori del sangue per cui è attualmente approvata dalla FDA .