Artificiell intelligens förutsäger tillförlitligt hur olika läkemedelskombinationer dödar cancerceller

Den nya maskininlärningsmetoden tränades med en stor mängd data som erhölls ur tidigare studier av sambandet mellan läkemedel och cancerceller. Bild: Matti Ahlgren/Aalto-universitetet.

Det effektivaste och säkraste sättet att behandla cancerpatienter är ofta att kombinera olika läkemedel. Nu har forskare vid Aalto-universitetet, Helsingfors universitet och Åbo universitet (Turun yliopisto) utvecklat en maskininlärningsmetod som noggrant förutsäger hur olika läkemedelskombinationer dödar cancerceller.

Vid behandling av en långt framskriden cancer är det ofta nödvändigt att kombinera olika behandlingsmetoder. Vid sidan av operativ behandling används ofta strålbehandling, läkemedelsterapi eller båda. Olika läkemedel kombineras också så att mixen innehåller läkemedel som inverkar olika på olika celler.

Kombineringen förbättrar behandlingens effekt och minskar också ofta dess skadliga biverkningar om man kan minska doseringen av ett enskilt läkemedel. Att sålla fram fungerande läkemedelskombinationer på experimentell väg är dock långsamt och dyrt. Därför nås ofta inte de fördelar som kunde vinnas med kombinationsterapi.

Den nya maskininlärningsmetoden tränades med en stor mängd data som erhölls ur tidigare studier av sambandet mellan läkemedel och cancerceller. De forskningsrön som publicerades i den ansedda vetenskapliga tidskriften Nature Communications visar att modellen hittade sådana samband mellan läkemedel och cancerceller som enklare modeller inte kunde påvisa.

"Den modell som datorn tränats på är i själva verket en från skolmatematiken välkänd polynomfunktion men en ytterst komplicerad sådan. Modellen ger mycket noggranna resultat. Till exempel den så kallade korrelationskoefficienten var i våra försök över 0,9. Det visar på en utmärkt reliabilitet" säger professor Juho Rousu vid Aalto-universitetet.

Vid experimentella mätningar anses en korrelationskoefficient på 0,8–0,9 som tillförlitlig. Ofta är den dock lägre.

Nytta också vid behandlingen av andra sjukdomar

Metoden förutsäger noggrant hur en viss läkemedelskombination förstör cancerceller, trots att just den kombinationens effekt på den aktuella cancerformen inte tidigare har testats genom laboratorieförsök.

"Det här hjälper cancerforskare att bland tusentals möjliga alternativ välja de läkemedelskombinationer som det lönar sig att studera vidare", säger forskaren Tero Aittokallio vid FIMM, Institutet för molekylärmedicin i Finland, som är en del av Helsingfors universitet.

Samma metod kan användas också för andra än cancersjukdomar. Då borde modellen tränas på nytt med data som anknyter till den aktuella sjukdomen. Med metoden kan man studera exempelvis hur olika antibiotikakombinationer inverkar på bakteriella infektioner eller hur effektivt olika läkemedelskombinationer dödar celler som angripits av coronaviruset SARS-Cov-2.

Kontakt:

Juho Rousu
Professor, Aalto-universitetet
tfn 050 415 1702
juho.rousu@aalto.fi

Tero Aittokallio
Teamledare, FIMM, Institutet för molekylärmedicin i Finland
Helsingfors universitet
tero.aittokallio@helsinki.fi