Kanser İlaç Kombinasyonu için Makine Öğrenimi Kullanılabilir Mi?

İki veya daha fazla ilacın kombinasyonu olan politerapi, ilaç toksisitesini azaltarak ve terapötik etkinliği artırarak monoterapiden daha iyi klinik sonuçlar elde etmekte olup birden fazla ilacın sinerjize etme veya antagonize etme derecesi, ilaç sinerji skoruyla ölçülmektedir. Geleneksel olarak, sinerji skoru in vitro veya in vivo ilaç tarama deneyleri ile ölçülmekte ve bireysel ilaç tedavilerinin ilave etkisi ile karşılaştırılarak hesaplanmaktadır. Bununla birlikte araştırmacılar, ilaç kombinasyonlarının sayısı ilaç sayısıyla katlanarak arttığından, söz konusu birden fazla hücre hattında olası tüm ilaç kombinasyonlarının sinerjistik etkilerinin deneysel olarak test edilmesinin mümkün olmadığını ifade etmişlerdir. Son zamanlarda, mevcut ilaç kombinasyonu veri kümelerinden ilgili biyolojik sinyalleri çıkarmak, tahmin edici makine öğrenme modelleri oluşturmak ve çeşitli hastalıklar ve çalışmalarda deneysel tasarım için rehberlik sağlamak için hesaplama tekniklerinden yararlanma konusunda artan bir eğilim vardır.

Yapay zeka (AI), bilgisayar dünyasına insan benzeri zekayı getirmeyi amaçlayan bir bilgisayar bilimi alanıdır ve makine öğrenimi (ML), makinelerin verilerden sinyalleri öğrenmesini ve çıkarmasını amaçlayan bir AI türü olarak tanınabilir. İki ana tür ML algoritması bulunmaktadır. Bunlarda ilki istenen denetim etiketlerine sahip mevcut eğitim verilerine dayalı tahmin modelleri oluşturan ve yeni veriler için etiketleri tahmin eden denetimli öğrenme ve ikincisi ise önceden tanımlanmış etiketler olmadan verilerden karakteristik kalıplar oluşturan denetimsiz öğrenme modelidir. Denetimli öğrenme için tahmin performansı, Pearson korelasyon katsayısı gibi puanlama metrikleri kullanılarak, tahmin edilen etiketlerin, test edilen test verileri üzerindeki deneysel olarak ölçülen etiketlerle karşılaştırılmasıyla değerlendirilmekte olup araştırmacılar çeşitli biyolojik ve biyomedikal problemleri çözmek için ML algoritmalarının başarıyla uygulandığını belirtmişlerdir.

Tüm ilaç kombinasyonlarını yüksek verimli preklinik yaklaşımlar kullanarak test etmek

Yapılan bu çalışmada belirlenen İlaç Kombinasyonu Tahmin DREAM Mücadelesinde, hesaplama modellerinin tahmini performansını sistematik olarak değerlendirmek için büyük bir veri seti kullanılmış olup kazanan algoritma, tedavi sonrası genomik profilini, ilaç hedef bilgisine ve gen-gen etkileşim ağına dayalı bir kanser hücre hattının ön tedavi profilinden simüle etmek için yeni bir ağ yayılma yöntemi getirmiş olduğu gözlemlenmiştir. Simüle edilmiş genomik profillerle birlikte, monoterapi verileri, ilaç sinerjisini tahmin etmek için trebazlı geleneksel ML modelleri oluşturmak için kullanılmış olup büyükçe tutulan bir veri kümesi üzerinde test edildiğinde, bu yöntem meydan okumada 160 takım arasında ilk sırada yer almış ve farmakogenomik araştırma topluluğunda yeni bir saha algoritması statüsü oluşturmuştur. Araştırmacılar dikkat çekici bir şekilde, bu yöntemin deneysel kopyaların doğruluğuna yaklaşmakta ve potansiyel olarak gelecekteki aday ilaç çiftleri için deney tasarımına rehberlik etmekte olduğunu ifade etmişlerdir.

Kanser gibi çoklu karmaşık hastalıkları tedavi ederken, çoklu terapi monoterapiden daha verimli olabilmekle birlikte, ilaç sayısı ve hücre çizgileri ile kombinasyon sayısı arasındaki çarpımsal ilişki nedeniyle, tüm ilaç kombinasyonlarını yüksek verimli preklinik yaklaşımlar kullanarak test etmek pratik değildir. Deneysel testlere bir alternatif, hesaplama modelleri yoluyla ilaç sinerjisini tahmin etmektir. Araştırmacılar tahmini performansın nasıl iyileştirileceğinin, yetersiz veri, doğal olmayan biyolojik anlayış, eksik bir standart metrik veya karşılaştırmalı değerlendirme nedeniyle araştırılmaya devam etmekte olduğunu ifade etmişler ve bu sınırlamaların kısa sürede çözülemese de, performansın, Grafik Konvolüsyon Ağı (GCN) ve Derin Güçlendirme Öğrenimi (DRL) gibi uygun yeni AI algoritmaları aracılığıyla mevcut veri kümeleri kullanılarak artırılabileceğine inandıklarını belirtmişlerdir.