Como funciona a estrutura de IA com humano no loop

• Integração de dados: A equipe combinou quatro conjuntos públicos de dados de sequenciamento de RNA de célula única de câncer de pele com dados de bancos públicos e aplicou diretrizes biológicas específicas para priorizar mais de 10.000 potenciais antígenos de superfície com características relevantes para CAR-T (por exemplo, expressão específica do tumor, acessibilidade de superfície) .
• Nomeação baseada em LLM: Vários grandes modelos de linguagem de ponta foram usados para nomear alvos ideais a partir da lista priorizada .
• Repetição para reduzir alucinação: Toda a simulação de nomeação foi repetida de forma independente 1.000 vezes para mitigar riscos conhecidos de LLM, como alucinações, e os resultados foram agregados em uma lista final .
• Revisão por especialistas humanos: Cientistas revisaram a lista final e realizaram validação biológica (confirmação de expressão de superfície, construção de CAR e testes pré-clínicos) .
• Velocidade: Todo o pipeline impulsionado por IA levou menos de algumas semanas, em comparação com meses ou anos com métodos manuais .

Principal antígeno identificado: GPNMB

• GPNMB (glicoproteína não metastática da proteína B do melanoma) emergiu como o principal candidato da estrutura .
• As células CAR-T direcionadas ao GPNMB mostraram atividade antitumoral significativa em modelos de camundongos com melanoma, leucemia e câncer colorretal, demonstrando potencial para múltiplos tipos de câncer .

Como a abordagem visa acelerar a descoberta de alvos além dos cânceres sanguíneos

• Design independente do tipo de doença: A estrutura foi construída para ser modular e generalizável para qualquer tipo de câncer ou doença, não se limitando aos conjuntos de dados de câncer de pele usados para prova de conceito .
• Funciona com dados públicos: Ela opera com conjuntos de dados publicamente disponíveis, democratizando a descoberta de alvos para além de instituições com acesso a amostras clínicas ou sequenciamento proprietário .
• Independente de LLM: A estrutura não está vinculada a nenhum LLM específico, podendo ser aplicada a modelos futuros e mais avançados à medida que surgirem .
• Objetivo: Os pesquisadores projetaram explicitamente a abordagem para quebrar o gargalo na descoberta de alvos de superfície seguros e eficazes para tumores sólidos — a principal barreira para expandir a terapia CAR-T além dos cânceres sanguíneos para os quais atualmente é aprovada pela FDA .

Como funciona a estrutura de IA com humano no loop

• Integração de dados: A equipe combinou quatro conjuntos públicos de dados de sequenciamento de RNA de célula única de câncer de pele com dados de bancos públicos e aplicou diretrizes biológicas específicas para priorizar mais de 10.000 potenciais antígenos de superfície com características relevantes para CAR-T (por exemplo, expressão específica do tumor, acessibilidade de superfície) .
• Nomeação baseada em LLM: Vários grandes modelos de linguagem de ponta foram usados para nomear alvos ideais a partir da lista priorizada .
• Repetição para reduzir alucinação: Toda a simulação de nomeação foi repetida de forma independente 1.000 vezes para mitigar riscos conhecidos de LLM, como alucinações, e os resultados foram agregados em uma lista final .
• Revisão por especialistas humanos: Cientistas revisaram a lista final e realizaram validação biológica (confirmação de expressão de superfície, construção de CAR e testes pré-clínicos) .
• Velocidade: Todo o pipeline impulsionado por IA levou menos de algumas semanas, em comparação com meses ou anos com métodos manuais .

Principal antígeno identificado: GPNMB

• GPNMB (glicoproteína não metastática da proteína B do melanoma) emergiu como o principal candidato da estrutura .
• As células CAR-T direcionadas ao GPNMB mostraram atividade antitumoral significativa em modelos de camundongos com melanoma, leucemia e câncer colorretal, demonstrando potencial para múltiplos tipos de câncer .

Como a abordagem visa acelerar a descoberta de alvos além dos cânceres sanguíneos

• Design independente do tipo de doença: A estrutura foi construída para ser modular e generalizável para qualquer tipo de câncer ou doença, não se limitando aos conjuntos de dados de câncer de pele usados para prova de conceito .
• Funciona com dados públicos: Ela opera com conjuntos de dados publicamente disponíveis, democratizando a descoberta de alvos para além de instituições com acesso a amostras clínicas ou sequenciamento proprietário .
• Independente de LLM: A estrutura não está vinculada a nenhum LLM específico, podendo ser aplicada a modelos futuros e mais avançados à medida que surgirem .
• Objetivo: Os pesquisadores projetaram explicitamente a abordagem para quebrar o gargalo na descoberta de alvos de superfície seguros e eficazes para tumores sólidos — a principal barreira para expandir a terapia CAR-T além dos cânceres sanguíneos para os quais atualmente é aprovada pela FDA .