Predykcyjne uczenie oparte na splicingu do indywidualnej oceny chemioterapii w raku jelita grubego (SPLICE)

Rak jelita grubego (CRC) pozostaje poważnym globalnym obciążeniem zdrowotnym, a chemioterapia uzupełniająca stanowi standard opieki po radykalnej resekcji. Jednak odpowiedzi pacjentów na terapię znacznie się różnią i obecnie żaden zweryfikowany model molekularny nie kieruje wyborem leczenia uzupełniającego.

Ostatnie badania sugerują, że nieprawidłowe alternatywne splicowanie – a nie tylko ekspresja na poziomie genu – odgrywa kluczową rolę w kształtowaniu wrażliwości na chemioterapię i nawrotów nowotworu. Jednak te złożone zmiany transkryptomiczne są często pomijane w standardowych analizach różnicowej ekspresji.

Framework ASPAIRE (Alternative Splicing and Predictive mAchIne learnIng for Response Evaluation) stosuje zaawansowane modelowanie obliczeniowe do przechwytywania wielowymiarowych cech splicowania z danych RNA-seq i przekształcania ich w klinicznie użyteczne przewidywania.

W tym przedsięwzięciu badawczym naukowcy wykorzystają uczenie maszynowe do przewidywania odpowiedzi na chemioterapię uzupełniającą w przypadku CRC. Plan badawczy obejmie trzy fazy:

1. Identyfikacja wzorców alternatywnego splicowania związanych z odpowiedzią na chemioterapię uzupełniającą poprzez sekwencjonowanie RNA i obliczeniową ekstrakcję cech.
2. Następnie naukowcy opracują test oparty na ilościowej łańcuchowej reakcji polimerazy z odwrotną transkrypcją (RT-qPCR) i wytrenują model uczenia maszynowego do przewidywania odpowiedzi na chemioterapię.
3. Naukowcy niezależnie zweryfikują test. Test ten jest tymczasowo nazwany „SPLICE” (Splicing-based Predictive Learning for Individual Chemotherapy Evaluation in Colorectal Cancer) i będzie testowany pod kątem przeżycia wolnego od choroby do pięciu lat po leczeniu.

Pod koniec tego badania test ten zostanie opracowany i zweryfikowany, aby pomóc w podejmowaniu decyzji klinicznych poprzez przewidywanie zarówno przeżycia wolnego od choroby.