Sztuczna inteligencja typu „human-in-the-loop” od Penn Medicine przyspiesza odkrywanie celów terapii CAR-T na guzy lite

25 czerwca 2026 roku naukowcy z Penn Medicine pod kierunkiem Daniela Bakera, Carla June i Zoltana Arany'ego opublikowali w czasopiśmie Cell badanie opisujące framework AI typu „human-in-the-loop” (z nadzorem człowieka), który integruje duże modele językowe (LLM) z danymi sekwencjonowania RNA pojedynczych komórek (scRNA-seq) w celu systematycznego odkrywania i priorytetyzowania nowych celów dla terapii CAR-T . Ich najlepszym kandydatem okazał się antygen GPNMB (glikoproteina białaczki czerniaka niemetanstatycznej), a komórki CAR-T skierowane przeciw GPNMB wykazały skuteczność w mysich modelach czerniaka, białaczki i raka jelita grubego . Framework zaprojektowano jako modułowy, uniwersalny dla różnych chorób i kompatybilny z każdym LLM, co ma radykalnie przyspieszyć odkrywanie celów dla guzów litych i innych nowotworów – skracając proces z miesięcy lub lat do zaledwie kilku tygodni .

Jak działa framework AI z nadzorem człowieka

• Integracja danych: Zespół połączył cztery publicznie dostępne zestawy danych scRNA-seq dotyczące skóry czerniaka z danymi z publicznych baz, a następnie zastosował konkretne wytyczne biologiczne, aby priorytetyzować spośród ponad 10 000 potencjalnych antygenów powierzchniowych te o cechach istotnych dla CAR-T (np. ekspresja specyficzna dla guza, dostępność powierzchniowa) .
• Nominacja za pomocą LLM: Kilka wiodących dużych modeli językowych (LLM) zostało użytych do nominowania idealnych celów z tej priorytetyzowanej listy .