Как работает ИИ-фреймворк с участием человека

• Интеграция данных: Команда объединила четыре общедоступных набора данных одноклеточного секвенирования РНК рака кожи с данными из публичных баз, после чего применила специальные биологические критерии для отбора более 10 000 потенциальных поверхностных антигенов по признакам, важным для CAR-T (например, специфичность экспрессии в опухоли, доступность на поверхности) .
• Номинация с помощью LLM: Несколько передовых больших языковых моделей использовались для номинации идеальных мишеней из отобранного списка .
• Повторение для снижения галлюцинаций: Весь процесс номинации независимо повторили 1000 раз, чтобы снизить известные риски LLM, такие как галлюцинации, а результаты агрегировали в итоговый короткий список .
• Проверка учёными-экспертами: Затем учёные проверили короткий список и выполнили биологическую валидацию (подтверждение экспрессии на поверхности, конструирование CAR и доклинические испытания) .
• Скорость: Весь пайплайн на основе ИИ занял менее нескольких недель по сравнению с месяцами или годами при ручных методах .

Главный выявленный антиген: GPNMB

• GPNMB (гликопротеин неметастатического меланомного белка B) стал лучшим кандидатом в рамках этого фреймворка .
• CAR-T-клетки, нацеленные на GPNMB, показали значительную противоопухолевую активность на мышиных моделях меланомы, лейкоза и колоректального рака, что свидетельствует о потенциале против нескольких видов рака .

Как подход ускоряет поиск мишеней за пределами рака крови

• Не привязан к типу заболевания: Фреймворк создан модульным и обобщаемым для любого типа рака или заболевания, а не ограничен наборами данных рака кожи, использованными для доказательства концепции .
• Работает с открытыми данными: Он использует общедоступные наборы данных, что демократизирует поиск мишеней, делая его доступным не только для учреждений, имеющих доступ к клиническим образцам или собственному секвенированию .
• Независимость от конкретной LLM: Фреймворк не привязан к какой-либо конкретной LLM, поэтому его можно применять к будущим, более совершенным моделям по мере их появления .
• Цель: Исследователи явно разработали подход, чтобы преодолеть узкое место в поиске безопасных и эффективных поверхностных мишеней для солидных опухолей — главного барьера на пути расширения CAR-T-терапии за пределы рака крови, для которого она в настоящее время одобрена FDA .

Как работает ИИ-фреймворк с участием человека

• Интеграция данных: Команда объединила четыре общедоступных набора данных одноклеточного секвенирования РНК рака кожи с данными из публичных баз, после чего применила специальные биологические критерии для отбора более 10 000 потенциальных поверхностных антигенов по признакам, важным для CAR-T (например, специфичность экспрессии в опухоли, доступность на поверхности) .
• Номинация с помощью LLM: Несколько передовых больших языковых моделей использовались для номинации идеальных мишеней из отобранного списка .
• Повторение для снижения галлюцинаций: Весь процесс номинации независимо повторили 1000 раз, чтобы снизить известные риски LLM, такие как галлюцинации, а результаты агрегировали в итоговый короткий список .
• Проверка учёными-экспертами: Затем учёные проверили короткий список и выполнили биологическую валидацию (подтверждение экспрессии на поверхности, конструирование CAR и доклинические испытания) .
• Скорость: Весь пайплайн на основе ИИ занял менее нескольких недель по сравнению с месяцами или годами при ручных методах .

Главный выявленный антиген: GPNMB

• GPNMB (гликопротеин неметастатического меланомного белка B) стал лучшим кандидатом в рамках этого фреймворка .
• CAR-T-клетки, нацеленные на GPNMB, показали значительную противоопухолевую активность на мышиных моделях меланомы, лейкоза и колоректального рака, что свидетельствует о потенциале против нескольких видов рака .

Как подход ускоряет поиск мишеней за пределами рака крови

• Не привязан к типу заболевания: Фреймворк создан модульным и обобщаемым для любого типа рака или заболевания, а не ограничен наборами данных рака кожи, использованными для доказательства концепции .
• Работает с открытыми данными: Он использует общедоступные наборы данных, что демократизирует поиск мишеней, делая его доступным не только для учреждений, имеющих доступ к клиническим образцам или собственному секвенированию .
• Независимость от конкретной LLM: Фреймворк не привязан к какой-либо конкретной LLM, поэтому его можно применять к будущим, более совершенным моделям по мере их появления .
• Цель: Исследователи явно разработали подход, чтобы преодолеть узкое место в поиске безопасных и эффективных поверхностных мишеней для солидных опухолей — главного барьера на пути расширения CAR-T-терапии за пределы рака крови, для которого она в настоящее время одобрена FDA .