İnsan denetimli yapay zeka çerçevesi nasıl çalışıyor?

• Veri entegrasyonu: Ekip, dört halka açık tek hücreli RNA dizileme cilt kanseri veri setini kamuya açık veritabanlarındaki verilerle birleştirdi ve ardından 10.000'den fazla potansiyel yüzey antijenini CAR-T için uygun özelliklere (ör. tümöre özgü ifade, yüzey erişilebilirliği) göre önceliklendirmek için belirli biyolojik kılavuz ilkeler uyguladı .
• LLM tabanlı aday gösterme: Önceliklendirilmiş listeden ideal hedefleri belirlemek için çeşitli öncü büyük dil modelleri kullanıldı .
• Halüsinasyonu azaltmak için tekrar: Halüsinasyon gibi bilinen LLM risklerini azaltmak için aday gösterme simülasyonu bağımsız olarak 1.000 kez tekrarlandı ve sonuçlar nihai bir kısa listede toplandı .
• İnsan uzman incelemesi: Bilim insanları daha sonra kısa listeyi gözden geçirdi ve biyolojik doğrulama (yüzey ifadesi onayı, CAR yapımı ve klinik öncesi testler) gerçekleştirdi .
• Hız: Yapay zeka odaklı tüm süreç, manuel yöntemlerle aylar veya yıllar sürmesine karşın birkaç haftadan kısa sürdü .

Tanımlanan en iyi antijen: GPNMB

• GPNMB (glikoprotein non-metastatik melanom proteini B) çerçeveden en iyi aday olarak çıktı .
• GPNMB hedefli CAR-T hücreleri, melanom, lösemi ve kolorektal kanser fare modellerinde önemli anti-tümör aktivitesi göstererek çoklu kanser potansiyelini ortaya koydu .

Yaklaşım, kan kanserlerinin ötesinde hedef keşfini nasıl hızlandırmayı hedefliyor?

• Hastalıktan bağımsız tasarım: Çerçeve, kanıt konsepti için kullanılan cilt kanseri veri setleriyle sınırlı kalmayacak şekilde herhangi bir kanser türü veya hastalığa uyarlanabilir ve genellenebilir olarak inşa edildi .
• Kamuya açık verilerle çalışır: Kamuya açık veri setlerinde çalışarak hedef keşfini, klinik numunelere veya tescilli dizilemeye erişimi olan kurumların ötesinde herkes için erişilebilir hale getiriyor .
• LLM'den bağımsız: Çerçeve belirli bir LLM'ye bağlı değildir, bu nedenle gelecekte ortaya çıkan daha gelişmiş modellere de uygulanabilir .
• Hedef: Araştırmacılar, yaklaşımı özellikle CAR-T tedavisinin şu anda FDA onaylı olduğu kan kanserlerinin ötesine genişletilmesinin önündeki en büyük engel olan katı tümörler için güvenli ve etkili yüzey hedefleri bulma darboğazını kırmak için tasarladı .

İnsan denetimli yapay zeka çerçevesi nasıl çalışıyor?

• Veri entegrasyonu: Ekip, dört halka açık tek hücreli RNA dizileme cilt kanseri veri setini kamuya açık veritabanlarındaki verilerle birleştirdi ve ardından 10.000'den fazla potansiyel yüzey antijenini CAR-T için uygun özelliklere (ör. tümöre özgü ifade, yüzey erişilebilirliği) göre önceliklendirmek için belirli biyolojik kılavuz ilkeler uyguladı .
• LLM tabanlı aday gösterme: Önceliklendirilmiş listeden ideal hedefleri belirlemek için çeşitli öncü büyük dil modelleri kullanıldı .
• Halüsinasyonu azaltmak için tekrar: Halüsinasyon gibi bilinen LLM risklerini azaltmak için aday gösterme simülasyonu bağımsız olarak 1.000 kez tekrarlandı ve sonuçlar nihai bir kısa listede toplandı .
• İnsan uzman incelemesi: Bilim insanları daha sonra kısa listeyi gözden geçirdi ve biyolojik doğrulama (yüzey ifadesi onayı, CAR yapımı ve klinik öncesi testler) gerçekleştirdi .
• Hız: Yapay zeka odaklı tüm süreç, manuel yöntemlerle aylar veya yıllar sürmesine karşın birkaç haftadan kısa sürdü .

Tanımlanan en iyi antijen: GPNMB

• GPNMB (glikoprotein non-metastatik melanom proteini B) çerçeveden en iyi aday olarak çıktı .
• GPNMB hedefli CAR-T hücreleri, melanom, lösemi ve kolorektal kanser fare modellerinde önemli anti-tümör aktivitesi göstererek çoklu kanser potansiyelini ortaya koydu .

Yaklaşım, kan kanserlerinin ötesinde hedef keşfini nasıl hızlandırmayı hedefliyor?

• Hastalıktan bağımsız tasarım: Çerçeve, kanıt konsepti için kullanılan cilt kanseri veri setleriyle sınırlı kalmayacak şekilde herhangi bir kanser türü veya hastalığa uyarlanabilir ve genellenebilir olarak inşa edildi .
• Kamuya açık verilerle çalışır: Kamuya açık veri setlerinde çalışarak hedef keşfini, klinik numunelere veya tescilli dizilemeye erişimi olan kurumların ötesinde herkes için erişilebilir hale getiriyor .
• LLM'den bağımsız: Çerçeve belirli bir LLM'ye bağlı değildir, bu nedenle gelecekte ortaya çıkan daha gelişmiş modellere de uygulanabilir .
• Hedef: Araştırmacılar, yaklaşımı özellikle CAR-T tedavisinin şu anda FDA onaylı olduğu kan kanserlerinin ötesine genişletilmesinin önündeki en büyük engel olan katı tümörler için güvenli ve etkili yüzey hedefleri bulma darboğazını kırmak için tasarladı .