Трижды отрицательные маркеры рака молочной железы в жидких биопсиях с использованием искусственного интеллекта (TRICIA)

Обоснование: наиболее агрессивной формой рака молочной железы является тройной негативный рак молочной железы (ТНРМЖ), названный так потому, что эти опухоли не экспрессируют гормональные рецепторы или рецептор HER2 и, следовательно, не имеют легкодоступных молекул. Химиотерапия является единственным методом лечения, при этом химиорезистентность свидетельствует об очень плохом исходе даже при раннем ТНРМЖ. Наличие остаточной опухоли во время операции (непатологический полный ответ или отсутствие pCR) сигнализирует о химиорезистентности и плохом прогнозе, при этом около 30-40% этих пациентов умирают от ТНРМЖ в течение первых 5 лет после операции. Недавнее клиническое исследование показало, что добавление дополнительной химиотерапии (капецитабин) приводит к улучшению выживаемости у этих пациентов без pCR, хотя только около 15% таких пациентов действительно получают пользу. Одной из наиболее неотложных неудовлетворенных потребностей является выявление пациентов, которые будут чувствовать себя хорошо, несмотря на отсутствие пПО (чтобы избежать дополнительной химиотерапии), и тех, у кого будет плохо, несмотря на нее, а также выявить факторы неблагоприятного прогноза, которые могут привести к новым терапевтическим стратегиям. в этой группе.

Текущее состояние развития технологии: до сих пор ни один биомаркер, за исключением мутаций BRCA1/2, не продемонстрировал клиническую полезность при лечении ТНРМЖ, вероятно, из-за сложной биологии и гетерогенности заболевания. Благодаря недавним достижениям в методологии искусственного интеллекта объединение и интеграция нескольких слоев молекулярных данных для прогнозирования результатов, которые до сих пор были сложной задачей, становятся реальностью. Гипотеза состоит в том, что объединение многомерных данных об ЭВ опухоли и плазмы может способствовать развитию прогностических и прогностических признаков этого очень агрессивного заболевания.

Предварительные данные: благодаря нашему клиническому исследованию Q-CROC-03, основанному на биопсии, в ходе которого были собраны опухоли и плазма у пациентов с ТНРМЖ, устойчивых к химиотерапии. Данные о последовательностях всего экзома были переведены для создания персонализированных анализов циркулирующей опухолевой ДНК (цДНК). Наши данные показывают потенциальную прогностическую ценность обнаружения цДНК после предоперационной химиотерапии. Налажено сотрудничество с Родни Уэллеттом (ACRI) по выделению и профилированию внеклеточных везикул (ВВ) из плазмы.

Цели: Целью настоящего исследования является разработка признаков хорошего и плохого исхода, а также ответа опухоли на химиотерапию при ТНРМЖ путем интеграции многомерного профилирования как опухоли, так и жидкостной биопсии с использованием инструментов искусственного интеллекта (ИИ).

Экспериментальный подход: будет проведено профилирование ЭВ из плазмы, собранной в ходе исследования Q-CROC-03 и биобанка JGH (до, во время и после химиотерапевтического лечения). Профилирование будет включать полногеномное секвенирование (GWS), протеомику, транскриптомику и анализ микроРНК. В сотрудничестве с нашим промышленным партнером My Intelligent Machines (MIM), экспертами в области биоинформатики и искусственного интеллекта, будут разработаны алгоритмы машинного обучения для интеграции данных OMICs по резистентным опухолям с согласованными данными EV плазмы и создания подписи опухоли/плазмы, связанной с неблагоприятным исходом. . Параллельно, в сотрудничестве с EXACTIS Innovation Network, набор пациентов, сбор остаточных опухолей после химиотерапии и сопоставление серийных образцов плазмы во время лечения капецитабином после операции для выполнения проверки выявленной сигнатуры, сигнатура опухоли / EV будет связана с выживаемостью пациента. .

Основные этапы предлагаемого проекта: 1. Профилирование электромобилей из плазмы. 2. Профилирование химиорезистентных опухолей. 3. Разработка алгоритмов для интеграции многомерных данных по опухоли и EV.

Разработанные подписи будут защищены IP. Академические и промышленные партнеры будут иметь общую интеллектуальную собственность (соответствующий процент будет определен). Прогностические тесты будут разрабатываться на основе выявленных биомаркеров и распространяться через платформу MIMsOmic. MIMsOmic — это платформа на базе искусственного интеллекта, коммерциализированная MIM и позволяющая легко, эффективно и экономично проводить клинические тесты, включающие анализ данных Omic.

В рамках настоящего проекта будет разработана биомаркерная сигнатура неблагоприятного прогноза для наиболее агрессивного типа рака молочной железы. Эта сигнатура позволит идентифицировать пациентов, которым не следует проводить послеоперационную химиотерапию, и избежать ненужного воздействия токсичности, связанной с этим препаратом.