AI-metoder identifierar genaktivitetsmönster
Varje cancer är unik och ändrar dessutom sina egenskaper över tiden. Man beskriva detta med begreppet cancerheterogenitet. Ofta finns flera konkurrerande kloner inom en och samma cancertumör. Dessutom ökar ytterligare förvärvade mutationer sannolikheten för att det bildas metastaser. Även om genetiska förändringar är viktiga för att spåra cancerheterogenitet och utveckling kan de också vara av klinisk relevans. Det konstaterar Joakim Lundeberg, professor i molekylärbiologi på KTH och verksam vid Science for Life Laboratory.
I en artikel publicerad i den vetenskapliga tidskriften Nature Communications visar han och forskargrupper på SciLifeLab att en datadriven AI-metod har potential att bidra till en bättre förståelse av dessa större händelser när det gäller heterogenitet i prostatatumörer och i dess omgivande mikromiljö. Detta med hjälp av data som tagits fram med spatiell transkriptomik. En metod som kombinerar histologi, vävnadslära, med kvantitativ analys av de aktiva generna och som har utvecklats av KTH och Karolinska Institutet vid Science for Life Laboratory.
Den här teknologin, spatiell transkriptomik, presenterades i en artikel i Science för två år sedan. Det är för närvarande den enda metoden som kan ge information om den kompletta genaktivitet från sektioner av cancervävnad, konstaterar Joakim Lundeberg.
– Denna rika informationskälla möjliggör oövervakade AI-metoder för att identifiera genaktivitetsmönster som inte kan ses med blotta ögat. Således kan denna massiva vävnadsgenetiska analys tjäna som en grund för en AI-baserad klinisk utvärdering av cancervävnader samt ge insikt i genuttryck i tumörens mikromiljö. AI hjälper oss helt enkelt till att skapa en databaserad vävnadsanatomi, säger han.
