Penn-forskere brukte KI med menneskelig tilsyn for å oppdage nye CAR T-celle-mål

Den 25. juni 2026 publiserte forskere ved Penn Medicine, ledet av Daniel Baker, Carl June og Zoltan Arany, en studie i Cell som beskriver et KI-rammeverk med menneskelig tilsyn som integrerer store språkmodeller (LLM) med enkeltcelle-RNA-sekvenseringsdata for å systematisk oppdage og prioritere nye mål for CAR T-celleterapi . Deres fremste kandidatantigen var GPNMB (glykoprotein non-metastatisk melanomprotein B), og GPNMB-rettede CAR T-celler viste effekt i musemodeller av melanom, leukemi og tykktarmskreft . Rammeverket er modulært, sykdomsagnostisk og tilpassbart til enhver LLM, og har som mål å dramatisk akselerere måloppdagelse for solide svulster og andre sykdommer – og redusere en prosess som kan ta måneder eller år til bare noen uker .

Slik fungerer KI-rammeverket med menneskelig tilsyn

• Dataintegrering: Teamet kombinerte fire offentlig tilgjengelige enkeltcelle-RNA-sekvenseringsdatasett for hudkreft med data fra offentlige databaser, og brukte spesifikke biologiske retningslinjer for å prioritere over 10 000 potensielle overflateantigener for CAR T-relevante egenskaper (f.eks. tumorspesifikk uttrykk, overflatetilgjengelighet) .
• LLM-basert nominasjon: Flere avanserte store språkmodeller ble brukt til å nominere ideelle mål fra den prioriterte listen .