AI-ramverk med människan i slingan upptäcker nytt CAR T-cellsmål för solida tumörer

Den 25 juni 2026 publicerade forskare vid Penn Medicine ledda av Daniel Baker, Carl June och Zoltan Arany en studie i Cell som beskriver ett AI-ramverk med människan i slingan som integrerar stora språkmodeller (LLM) med encells-RNA-sekvenseringsdata för att systematiskt upptäcka och prioritera nya mål för CAR T-cellsbehandling . Deras främsta kandidatantigen var GPNMB (glykoprotein icke-metastaserande melanomprotein B), och GPNMB-riktade CAR T-celler visade effekt i musmodeller av melanom, leukemi och kolorektalcancer . Ramverket är utformat för att vara modulärt, sjukdomsagnostiskt och anpassningsbart till alla LLM, med målet att dramatiskt påskynda målidentifieringen för solida tumörer och andra sjukdomar – och förkorta en process som kan ta månader eller år till bara några veckor .

Så fungerar AI-ramverket med människan i slingan

• Dataintegration: Teamet kombinerade fyra offentligt tillgängliga encells-RNA-sekvenseringsdataset från hudcancer med data från offentliga databaser och tillämpade specifika biologiska riktlinjer för att prioritera över 10 000 potentiella ytantigener utifrån CAR-T-relevanta egenskaper (t.ex. tumörspecifikt uttryck, yttillgänglighet) .
• LLM-baserad nominering: Flera avancerade stora språkmodeller användes för att nominera ideala mål från den prioriterade listan .
• Upprepning för att minska hallucinationer: Hela nomineringssimuleringen upprepades oberoende 1 000 gånger för att minska kända LLM-risker som hallucinationer, och resultaten sammanställdes till en slutlig kortlista .
• Mänsklig expertgranskning: Forskarna granskade sedan kortlistan och utförde biologisk validering (bekräftelse av ytuttryck, CAR-konstruktion och preklinisk testning) .
• Hastighet: Hela AI-drivna pipeline tog mindre än några veckor, jämfört med månader eller år med manuella metoder .

Toppantigen identifierat: GPNMB

• GPNMB (glykoprotein icke-metastaserande melanomprotein B) framstod som den främsta kandidaten från ramverket .
• GPNMB-riktade CAR T-celler visade signifikant antitumöraktivitet i musmodeller av melanom, leukemi och kolorektalcancer, vilket visar potential mot flera cancertyper .

Hur metoden syftar till att påskynda målidentifiering bortom blodcancer

• Sjukdomsagnostisk design: Ramverket byggdes för att vara modulärt och generaliserbart till alla cancertyper eller sjukdomar, inte begränsat till hudcancerdataseten som användes för konceptbevis .
• Fungerar med offentlig data: Det körs på offentligt tillgängliga dataset, vilket demokratiserar målidentifiering bortom institutioner med tillgång till kliniska prover eller proprietär sekvensering .
• LLM-agnostiskt: Ramverket är inte bundet till någon specifik LLM, så det kan tillämpas på framtida, mer avancerade modeller när de dyker upp .
• Mål: Forskarna utformade uttryckligen metoden för att bryta flaskhalsen med att hitta säkra, effektiva ytmål för solida tumörer – det största hindret för att utöka CAR T-cellsbehandling bortom blodcancrarna som den för närvarande är FDA-godkänd för .