Potrójne negatywne markery raka piersi w płynnych biopsjach przy użyciu sztucznej inteligencji (TRICIA)

Uzasadnienie: Najbardziej agresywną postacią raka piersi jest potrójnie ujemny rak piersi (TNBC), tak zwany, ponieważ nowotwory te nie wykazują ekspresji receptorów hormonalnych ani receptora HER2, a zatem nie mają łatwo ukierunkowanych cząsteczek. Chemioterapia jest jedynym sposobem leczenia, przy czym chemiooporność sygnalizuje bardzo złe wyniki nawet we wczesnej fazie TNBC. Obecność guza resztkowego w czasie operacji (niepatologiczna pełna odpowiedź lub brak pCR) sygnalizuje chemiooporność i złe rokowanie, przy czym około 30-40% tych pacjentów umiera z powodu TNBC w ciągu pierwszych 5 lat po operacji. Niedawne badanie kliniczne wykazało, że dodanie dalszej chemioterapii (kapecytabina) skutkuje poprawą przeżycia u tych pacjentów bez pCR, chociaż tylko około 15% takich pacjentów odnosi korzyści. Jedną z najpilniejszych niezaspokojonych potrzeb jest identyfikacja pacjentów, którzy będą sobie radzić dobrze pomimo braku pCR (aby uniknąć dodatkowej chemioterapii), a którzy pomimo tego będą czuli się słabo, a także identyfikacja czynników złego rokowania, które mogą prowadzić do nowych strategii terapeutycznych w tej grupie.

Obecny stan zaawansowania technologii: Do tej pory żaden biomarker poza mutacjami BRCA1/2 nie wykazał przydatności klinicznej w leczeniu TNBC, prawdopodobnie ze względu na złożoną biologię i heterogenność choroby. Dzięki najnowszym postępom w metodologii sztucznej inteligencji łączenie i integracja kilku warstw danych molekularnych w celu przewidywania wyników, które do tej pory stanowiło wyzwanie, staje się rzeczywistością. Postawiono hipotezę, że połączenie wielowymiarowych danych dotyczących EV guza i osocza może ułatwić opracowanie sygnatur prognostycznych i predykcyjnych w tej bardzo agresywnej chorobie.

Wstępne dane: Dzięki naszemu badaniu klinicznemu opartemu na biopsji Q-CROC-03, w którym zebrano guz i osocze od pacjentów z TNBC opornymi na chemioterapię. Całe dane seq egzomu zostały przetłumaczone w celu wygenerowania spersonalizowanych testów krążącego DNA nowotworu (ctDNA). Nasze dane wskazują na potencjalną wartość prognostyczną wykrywania ctDNA po przedoperacyjnej chemioterapii. Nawiązano współpracę z Rodneyem Ouellette (ACRI) w celu wyizolowania i profilowania pęcherzyków pozakomórkowych (EV) z osocza.

Cele: Celem niniejszego badania jest opracowanie sygnatur dobrych i złych wyników, a także odpowiedzi guza na chemioterapię w TNBC poprzez integrację wielowymiarowego profilowania zarówno guza, jak i biopsji płynnych z wykorzystaniem narzędzi sztucznej inteligencji (AI).

Podejście eksperymentalne: zostanie przeprowadzone profilowanie EV z osocza pobranego w badaniu Q-CROC-03 i biobanku JGH (przed, w trakcie i po chemioterapii). Profilowanie obejmie sekwencjonowanie całego genomu (GWS), proteomikę, transkryptomikę i analizę miRNA. We współpracy z naszym partnerem przemysłowym, firmą My Intelligent Machines (MIM), ekspertem w dziedzinie bioinformatyki i sztucznej inteligencji, opracowane zostaną algorytmy uczenia maszynowego w celu zintegrowania danych OMIC z opornych guzów z dopasowanymi danymi EV w osoczu i wygenerowania sygnatury nowotworu/osocza związanej ze złym wynikiem . Równolegle, we współpracy z siecią innowacji EXACTIS, rekrutacja pacjentów, zbieranie pozostałości guzów po chemioterapii i dopasowywanie seryjnych próbek osocza podczas leczenia kapecytabiną po operacji w celu przeprowadzenia walidacji zidentyfikowanej sygnatury, sygnatura guza/EV będzie powiązana z przeżyciem pacjenta .

Kamienie milowe proponowanego projektu: 1. Profilowanie pojazdów elektrycznych z plazmy. 2. Profilowanie guzów opornych na chemioterapię 3. Opracowanie algorytmów integracji wielowymiarowych danych z guza i EV.

Opracowane sygnatury będą chronione IP. Partnerzy akademiccy i przemysłowi będą mieli wspólne IP (odpowiedni procent do ustalenia). Testy prognostyczne zostaną opracowane na podstawie zidentyfikowanych biomarkerów i rozprowadzone za pośrednictwem platformy MIMsOmic. MIMsOmic to platforma oparta na sztucznej inteligencji, skomercjalizowana przez MIMs i umożliwiająca łatwe, wydajne i opłacalne dostarczanie testów klinicznych obejmujących analizę danych Omic.

Obecny projekt opracuje sygnaturę biomarkera złego rokowania dla najbardziej agresywnego typu raka piersi. Podpis ten pozwoli na identyfikację pacjentów, u których nie należy stosować chemioterapii pooperacyjnej oraz uniknięcie niepotrzebnego narażenia na toksyczność związaną z tym lekiem.