Artificiële intelligentie kan kankercellijnen identificeren en hun biologisch karakteristieke kenmerken onderstrepen

Kankers zijn de afgelopen tien jaar veel beter behandelbaar. Dat heeft alles te maken met de opmars van therapieën die toegespitst zijn op de patiënt, een behandelingsfilosofie die de naam ‘persoonlijke geneeskunde’ draagt. Hierbij vraagt men zich eerst af waar het biologisch fout gaat in kankercellen, waarna men een therapie kiest die het best deze fouten uitbuit. Hierbij is het van cruciaal belang om kanker types te onderscheiden op basis van biologische kenmerken. Dit is een taak waar artificiële intelligentie een grote impact kan hebben. Zo hebben wij een AI-model geleerd om succesvol kankertypes van cellen te identificeren. Bovendien laten onze analyses toe om de onderlinge gelijkenissen en verschillen van kankertypes in kaart te brengen. Deze resultaten kunnen mogelijks leiden tot snellere diagnoses van kankers en nieuwe therapeutische strategieën.

Cellijnen zijn cruciaal in kankeronderzoek

Het doel van een medicijn is om kankercellen van patiënten te doden. Helaas is het onmogelijk om honderdduizenden medicijnen direct op mensen te testen. Daarom maken onderzoekers gebruik van kankercellijnen. Dit zijn kankercellen afkomstig van patiënten die onsterfelijk zijn gemaakt en kunnen overleven in een plastic schaaltje. Deze technologie maakt het onderzoekers over heel de wereld mogelijk om met dezelfde soort kanker te werken en experimenten te herhalen. Zo wordt er al meer dan 70 jaar gewerkt met een kankercellijn afkomstig van Henrietta Lacks, een Afro-Amerikaanse vrouw die in 1951 overleed aan baarmoederhalskanker.

Onderzoekers werken al meer dan 70 jaar met een kankercellijn afkomstig van een vrouw die in 1951 overleed aan baarmoederhalskanker.

Ondertussen zijn er duizenden cellijnen ontwikkeld die verschillende types kanker modelleren. Kankertypes verschillen van elkaar door de type cel dat aanleiding geeft tot kanker of door welke mechanismen er abnormaal werken in de cel. Op basis van deze eigenschappen, is een bepaald type medicijn het meest effectief. Daarom is gedetailleerd identificeren en classificeren van kankercellen een van de hoekstenen van de persoonlijke geneeskunde. Om dit mogelijk te maken, zoeken onderzoekers naar moleculaire kenmerken die enkel aanwezig zijn in bepaalde kankers en de kankers onderling kunnen onderscheiden. Hierbij kijkt men vooral naar specifieke mutaties of een abnormale hoeveelheid of activiteit van eiwitten in de kankercellen.

Data-recyclage helpt AI om cellijnen te herkennen

Kankercellijnen zijn al meerdere decennia het favoriete biologisch modelsysteem van de onderzoeker. Maar pas sinds kort analyseren onderzoeksteams cellijnen op ongeziene schaal: de eiwitsamenstelling van honderden tot wel duizenden cellijnen worden geanalyseerd in grote, internationale studies. Deze berg van data is opgeslagen in databanken die elke geïnteresseerde onderzoeker en zelfs burger gratis kan raadplegen. Door deze vrije toegankelijkheid is het mogelijk om nieuwe conclusies te trekken uit reeds gepubliceerde data.

Zo hebben wij publieke databanken gebruikt om een AI-model aan te leren kankercellijnen te herkennen. Het AI-model baseert zich hierbij alleen maar op de proteïnesamenstelling van de kankercellijn. Door het model te vragen hoe het een kankercellijn herkent, kunnen onderzoekers inzicht krijgen in de meest kenmerkende proteïnen van de kankercellijn. Deze ‘sleuteleiwitten’ kunnen als aanvangspunt dienen om een kankertype beter te begrijpen. Bovendien kunnen dokters deze eiwitten mogelijks gebruiken om sneller kanker vast te stellen en vroeger een gepersonaliseerde therapie op te starten.

Cel-identiteit ontmaskerd! … of toch niet?

Wanneer onderzoekers een biologisch proces willen bestuderen, kiest men een gepaste cellijn om de experimenten op uit te voeren. Doordat andere onderzoekers dezelfde cellijn kunnen aankopen, kunnen deze experimenten opnieuw uitgevoerd en gevalideerd worden. Deze reproduceerbaarheid is een cruciale eigenschap van de wetenschap. Maar soms loopt   het mis. Wanneer onderzoekers de cellijnen bewaren, kunnen deze overgenomen worden door een andere cellijn die beter groeit. Als gevolg daarvan werken de onderzoekers onvermoed met een andere cellijn, wat de resultaten en conclusies kan beïnvloeden.

Dit probleem kan verholpen worden met behulp van ons AI-model. Het model schat in hoe sterk de onbekende cellen lijken op alle voorheen gepubliceerde en bruikbare cellijndata. Cel-identificatie was voorheen ook mogelijk met DNA-methoden, waarbij de ‘DNA-barcode’ van de cellijnen werd gebruikt. In tegenstelling tot deze DNA-methoden, focust ons model op de bioactieve bestanddelen van de cel, met name de eiwitten. Kankercellen gedragen zich als kameleons, ze passen zich buitengewoon goed aan hun omgeving aan. Daarom is het belangrijk om niet alleen naar de identiteit van de cel te kijken, maar ook naar hoe de cel zich gedraagt in zijn plastic kweekschaaltje. Dit wil echter ook zeggen dat twee cellen van eenzelfde cellijn sterk verschillend kunnen reageren op een medicijn! Iets waar ons model geen rekening mee houdt.

Kankercellen gedragen zich als kameleons, ze passen zich buitengewoon goed aan hun omgeving aan

Uit ons onderzoek bleek dat niet alleen het kameleongedrag van kankercellen de reproduceerbaarheid van de wetenschap kan beïnvloeden. Ook verschillen in experimentele procedures zorgen voor onvergelijkbare resultaten. Dit is niet alleen te verklaren door de verschillende voeding van de cellen, maar ook over hoe de eiwitten uit de cellen worden geïsoleerd. Omdat het AI-model hier geen rekening mee hield tijdens het leerproces, kunnen hierdoor foutjes optreden in de identiteitsvoorspellingen van onbekende stalen.

Een naam is niet genoeg

Hoe kunnen we cellen classificeren wanneer hun namen geen nauwkeurige weergave bieden? Voor deze uitdaging kunnen recentere en geavanceerdere AI-technieken een oplossing bieden. Door alle gepubliceerde eiwitprofielen van cellijnen te combineren, kan een neuraal netwerkmodel de cel beschrijven met behulp van een beperkt aantal abstracte eigenschappen. Dit schept een meer genuanceerd beeld over de identiteit van de cel. Bovendien kan het model de kankercellen van een patiënt op een vergelijkbare manier beschrijven en aangeven welke cellijn het meest overeenkomt met de kanker van de patiënt. Zo kunnen cellijnexperimenten informatie bieden over veelbelovende therapeutische opties op een gepersonaliseerde manier.

Naar een kankervrije wereld

De persoonlijke geneeskunde is een veelbelovende behandelingsfilosofie die de genezingskans van patiënten sterk kan verbeteren. Maar deze vorm van medicijnontwikkeling presenteert ook unieke uitdagingen. Zo is het belangrijk om het kanker type zo nauwkeurig mogelijk te identificeren en therapieën hierop af te stemmen. Met behulp van datarecyclage en de ontwikkeling van nieuwe geavanceerde AI-systemen kunnen we deze uitdagingen aangaan en een stap dichter zetten naar een kankervrije wereld.