Hoe het AI-framework met menselijke controle werkt

• Data-integratie: Het team combineerde vier openbaar beschikbare single-cell RNA-sequencing-datasets van huidkanker met data uit openbare databases en paste specifieke biologische richtlijnen toe om meer dan 10.000 potentiële oppervlakte-antigenen te prioriteren op basis van CAR-T-relevante kenmerken (zoals tumorspecifieke expressie en oppervlakte-toegankelijkheid) .
• LLM-gebaseerde nominatie: Verschillende geavanceerde large language models werden gebruikt om ideale doelwitten uit de geprioriteerde lijst te nomineren .
• Herhaling om hallucinaties te verminderen: Het hele nominatiesimulatieproces werd 1.000 keer onafhankelijk herhaald om bekende LLM-risico's zoals hallucinaties te beperken, waarna de resultaten werden samengevoegd tot een definitieve shortlist .
• Menselijke beoordeling door experts: Wetenschappers beoordeelden vervolgens de shortlist en voerden biologische validatie uit (bevestiging van oppervlakte-expressie, CAR-constructie en preklinische tests) .
• Snelheid: De volledige AI-gestuurde pijplijn duurde minder dan een paar weken, vergeleken met maanden of jaren bij handmatige methoden .

Topantigeen geïdentificeerd: GPNMB

• GPNMB (glycoproteïne niet-metastatisch melanoom-eiwit B) kwam uit het framework naar voren als de topkandidaat .
• GPNMB-gerichte CAR-T-cellen vertoonden significante antitumoractiviteit in muismodellen van melanoom, leukemie en colorectale kanker, wat wijst op potentie tegen meerdere kankersoorten .

Hoe de aanpak de ontdekking van doelwitten voorbij bloedkankers wil versnellen

• Ziekte-agnostisch ontwerp: Het framework is modulair en generaliseerbaar naar elk type kanker of ziekte, niet beperkt tot de huidkanker-datasets die voor het proof-of-concept werden gebruikt .
• Werkt met openbare data: Het draait op openbaar beschikbare datasets, waardoor doelwitontdekking wordt gedemocratiseerd; instellingen zonder toegang tot klinische monsters of propriëtaire sequencing kunnen het gebruiken .
• LLM-agnostisch: Het framework is niet gebonden aan een specifieke LLM, dus het kan worden toegepast op toekomstige, geavanceerdere modellen .
• Doel: De onderzoekers ontwierpen de aanpak expliciet om de bottleneck te doorbreken bij het vinden van veilige, effectieve oppervlakte-doelwitten voor solide tumoren – de grootste barrière voor het uitbreiden van CAR-T-therapie verder dan de bloedkankers waarvoor het momenteel FDA-goedgekeurd is .

Hoe het AI-framework met menselijke controle werkt

• Data-integratie: Het team combineerde vier openbaar beschikbare single-cell RNA-sequencing-datasets van huidkanker met data uit openbare databases en paste specifieke biologische richtlijnen toe om meer dan 10.000 potentiële oppervlakte-antigenen te prioriteren op basis van CAR-T-relevante kenmerken (zoals tumorspecifieke expressie en oppervlakte-toegankelijkheid) .
• LLM-gebaseerde nominatie: Verschillende geavanceerde large language models werden gebruikt om ideale doelwitten uit de geprioriteerde lijst te nomineren .
• Herhaling om hallucinaties te verminderen: Het hele nominatiesimulatieproces werd 1.000 keer onafhankelijk herhaald om bekende LLM-risico's zoals hallucinaties te beperken, waarna de resultaten werden samengevoegd tot een definitieve shortlist .
• Menselijke beoordeling door experts: Wetenschappers beoordeelden vervolgens de shortlist en voerden biologische validatie uit (bevestiging van oppervlakte-expressie, CAR-constructie en preklinische tests) .
• Snelheid: De volledige AI-gestuurde pijplijn duurde minder dan een paar weken, vergeleken met maanden of jaren bij handmatige methoden .

Topantigeen geïdentificeerd: GPNMB

• GPNMB (glycoproteïne niet-metastatisch melanoom-eiwit B) kwam uit het framework naar voren als de topkandidaat .
• GPNMB-gerichte CAR-T-cellen vertoonden significante antitumoractiviteit in muismodellen van melanoom, leukemie en colorectale kanker, wat wijst op potentie tegen meerdere kankersoorten .

Hoe de aanpak de ontdekking van doelwitten voorbij bloedkankers wil versnellen

• Ziekte-agnostisch ontwerp: Het framework is modulair en generaliseerbaar naar elk type kanker of ziekte, niet beperkt tot de huidkanker-datasets die voor het proof-of-concept werden gebruikt .
• Werkt met openbare data: Het draait op openbaar beschikbare datasets, waardoor doelwitontdekking wordt gedemocratiseerd; instellingen zonder toegang tot klinische monsters of propriëtaire sequencing kunnen het gebruiken .
• LLM-agnostisch: Het framework is niet gebonden aan een specifieke LLM, dus het kan worden toegepast op toekomstige, geavanceerdere modellen .
• Doel: De onderzoekers ontwierpen de aanpak expliciet om de bottleneck te doorbreken bij het vinden van veilige, effectieve oppervlakte-doelwitten voor solide tumoren – de grootste barrière voor het uitbreiden van CAR-T-therapie verder dan de bloedkankers waarvoor het momenteel FDA-goedgekeurd is .