Google AI kartiert genetische Mutationen, die die Krebsentwicklung vorantreiben

Google hat DeepSomatic vorgestellt, ein KI-gestütztes Tool, das krebsbedingte Mutationen in genetischen Sequenzen von Tumoren mit höherer Genauigkeit erkennen soll.

Krebs beginnt, wenn die Mechanismen, die die Zellteilung kontrollieren, zusammenbrechen. Die Identifizierung der spezifischen genetischen Mutationen, die für das Wachstum eines Tumors verantwortlich sind, ist entscheidend für die Entwicklung wirksamer Therapien. Heute sequenzieren Ärzte routinemäßig die Genome von Tumorzellen aus Biopsien, um Behandlungen zu leiten, die darauf abzielen, wie sich ein bestimmter Krebs entwickelt und ausbreitet.

Die in Nature Biotechnology veröffentlichte Forschungsarbeit stellt ein Tool vor, das mit Hilfe von neuronalen Faltungsnetzen genetische Varianten in Krebszellen präziser aufspüren kann als bisherige Ansätze. Google hat sowohl DeepSomatic als auch den dafür entwickelten hochwertigen Trainingsdatensatz als offene Ressourcen veröffentlicht.

Die Herausforderung der somatischen Varianten

Die Krebsgenetik ist ein komplexes Gebiet. Obwohl die Genomsequenzierung krebsbedingte genetische Veränderungen identifiziert, ist es nach wie vor schwierig, echte Varianten von Sequenzierungsfehlern zu unterscheiden - eine Herausforderung, bei der KI-Tools wertvolle Unterstützung bieten können. Die meisten Krebsarten werden durch somatische" Varianten verursacht, die nach der Geburt erworben werden, und nicht durch vererbte Keimbahnmutationen", die von den Eltern weitergegeben werden.

Somatische Mutationen entstehen, wenn Umweltfaktoren - wie UV-Strahlung - die DNA schädigen oder wenn bei der DNA-Replikation zufällige Fehler auftreten. Wenn diese Veränderungen normale zelluläre Prozesse stören, können sie unkontrolliertes Wachstum auslösen und so die Entstehung und das Fortschreiten von Krebs begünstigen.

Die Erkennung somatischer Mutationen ist schwieriger als die Identifizierung vererbter Mutationen, da sie in Tumorzellen mit geringer Häufigkeit auftreten können - manchmal sogar unterhalb der Sequenzierfehlerschwelle.

Wie DeepSomatic funktioniert

In der klinischen Praxis sequenzieren Wissenschaftler sowohl Tumorzellen aus einer Biopsie als auch die normalen Zellen des Patienten. DeepSomatic vergleicht diese Sequenzen, um Veränderungen zu erkennen, die nur im Tumor vorhanden sind - Veränderungen, die nicht vererbt werden. Diese einzigartigen Veränderungen helfen dabei, die Ursachen für die Entwicklung des Tumors zu erkennen.

Das Modell wandelt genetische Sequenzierungsrohdaten aus Tumor- und Normalproben in Bilder um, die mehrere Datentypen darstellen, einschließlich Sequenzierungslesungen und deren Ausrichtung entlang der Chromosomen. Ein neuronales Faltungsnetzwerk untersucht dann diese Bilder, um zwischen dem Standard-Referenzgenom, vererbten Varianten und krebsverursachenden somatischen Mutationen zu unterscheiden, wobei das Sequenzierungsrauschen herausgefiltert wird. Das Endergebnis ist eine Liste der mit Krebs assoziierten Mutationen.

DeepSomatic kann auch im "Nur-Tumor"-Modus arbeiten, wenn keine normalen Gewebeproben zur Verfügung stehen, was bei Blutkrebsarten wie Leukämie häufig der Fall ist. Dank dieser Flexibilität ist das Tool in einem breiten Spektrum von Forschungs- und Klinikbereichen einsetzbar.

Training eines präziseren KI-Tools für die Krebsforschung

Die Entwicklung eines präzisen KI-Modells erfordert hochwertige Trainingsdaten. Für dieses Tool hat Google mit dem UC Santa Cruz Genomics Institute und dem National Cancer Institute zusammengearbeitet, um einen Benchmark-Datensatz namens CASTLE zu erstellen. Das Team sequenzierte Tumor- und normale Zellen aus vier Brustkrebs- und zwei Lungenkrebsproben.

Diese Proben wurden mit drei führenden Sequenzierungsplattformen sequenziert, und die Ergebnisse wurden kombiniert, um einen einheitlichen Referenzdatensatz mit hoher Zuverlässigkeit zu erstellen, der frei von plattformspezifischen Artefakten ist. Diese Daten verdeutlichen, dass selbst Krebsarten desselben Typs sehr unterschiedliche Mutationsmuster aufweisen können - Erkenntnisse, die helfen können, vorherzusagen, wie einzelne Patienten auf bestimmte Behandlungen ansprechen.

Bei allen drei großen Sequenzierungsplattformen schnitten die DeepSomatic-Modelle besser ab als andere etablierte Verfahren. Das Tool erwies sich als besonders effektiv bei der Erkennung komplexer Mutationen, die als Insertionen und Deletionen oder "Indels" bekannt sind. Für diese Varianten erreichte DeepSomatic bei Illumina-Sequenzierungsdaten einen F1-Score von 90 %, verglichen mit 80 % für das nächstbeste Tool. Noch deutlicher waren die Leistungssteigerungen bei Daten von Pacific Biosciences, wo DeepSomatic über 80 % erzielte, während der Zweitplatzierte weniger als 50 % erreichte.

Die KI zeigte auch bei anspruchsvollen Proben gute Leistungen. Getestet wurde eine Brustkrebsprobe, die mittels Formalin-fixed-paraffin-embedding (FFPE) konserviert wurde - ein Routineverfahren, das DNA-Schäden verursachen und die Analyse erschweren kann. DeepSomatic wurde auch mit Daten aus der Ganz-Exom-Sequenzierung (WES) evaluiert, einer kosteneffizienten Technik, bei der nur das proteincodierende 1 % des Genoms sequenziert wird. In beiden Fällen übertraf es konkurrierende Tools, was auf seine Nützlichkeit bei der Analyse von Proben geringerer Qualität oder von Archivproben hinweist.

Ein KI-Tool für alle Krebsarten

Das Tool hat bewiesen, dass es seinen Lernprozess auf Krebsarten verallgemeinern kann, für die es nicht explizit trainiert wurde. Bei der Anwendung auf eine Glioblastom-Probe - ein aggressiver Hirntumor - identifizierte es erfolgreich die geringe Anzahl von Treibermutationen, von denen bekannt ist, dass sie die Krankheit verursachen. In Zusammenarbeit mit dem Children's Mercy Kansas City analysierte DeepSomatic acht pädiatrische Leukämieproben und bestätigte nicht nur bereits bekannte Mutationen, sondern entdeckte auch zehn neue - selbst wenn nur Tumordaten verwendet wurden.

Google hofft, dass Forschungslabors und Kliniker dieses Tool übernehmen werden, um tiefere Einblicke in einzelne Tumore zu gewinnen. Durch die Erkennung bekannter Krebsmutationen könnte es bei der Auswahl bestehender Behandlungen helfen. Durch die Entdeckung neuer Mutationen könnte es Türen zu neuen Therapien öffnen. Ziel ist es, die Präzisionsmedizin voranzubringen und den Patienten eine wirksamere Behandlung zukommen zu lassen.

Siehe auch: MHRA bringt die nächste Welle von KI-Tools für die Patientenversorgung auf den Weg

Möchten Sie mehr über KI und Big Data von Branchenexperten erfahren? Besuchen Sie die AI & Big Data Expo, die in Amsterdam, Kalifornien und London stattfindet. Diese umfassende Veranstaltung ist Teil der TechEx und findet zusammen mit anderen Top-Tech-Veranstaltungen wie der Cyber Security Expo statt. Klicken Sie hier für weitere Details.

AI News wird von TechForge Media unterstützt. Weitere Veranstaltungen und Webinare zu Unternehmenstechnologien finden Sie hier.