Изследователи са създали ProteinTalks – виртуален модел на клетка, който прогнозира реакцията на раковите клетки на млечната жлеза към лекарства въз основа на промените в хиляди протеини. Системата е била обучена с над 38 милиона измервания, а при тестване с лекарства, които не са били включени в обучителната извадка, моделът правилно е предсказал клетъчния отговор в около 88% от случаите. Резултатите от изследването бяха публикувани в списание Nature.

Наименованието „виртуална клетка“ в този случай не означава пълна цифрово копие на жива клетка с всички процеси, протичащи в нея. ProteinTalks моделира преди всичко динамиката на протеома, тоест промените в количеството на протеините след въздействието на лекарството. Този подход позволява предварително да се оцени ефективността на лекарствата, да се търсят перспективни комбинации от лекарства и да се идентифицират протеини, свързани с лекарствената резистентност.

За подготовката на обучителните данни изследователите са използвали 18 клетъчни линии на рак на млечната жлеза, като 16 от тях са били от типа „тройно-негативен“ рак на млечната жлеза. Клетките са били третирани с 63 одобрени противотуморни лекарства и 59 комбинации от лекарства. След това специалистите измериха съдържанието на 5585 групи протеини преди лечението, както и 6, 24 и 48 часа след въздействието на лекарствата.

Измерванията във времето се превърнали в една от ключовите характеристики на проекта. Много клетъчни модели получават отделни „снимки“ на състоянието на клетката, докато ProteinTalks се научава да проследява последователността от промени. Ако под въздействието на лекарство активността на едни протеини се повишила, а на други – намаляла, и свързаните с тях сигнални пътища се преструктурирали, системата отчитала цялата траектория и се опитвала да предскаже по-нататъшната реакция на клетката.

След обучението разработчиците са тествали ProteinTalks с 81 лекарства, които моделът не беше срещал преди. Точността на прогнозиране на клетъчната реакция е достигнала 88%. Системата също така е оценявала съвместното действие на лекарствата и помагаше за намирането на комбинации, способни да засилят противотуморния ефект.

Отделна част от работата се отнасяше до лекарствената резистентност. ProteinTalks е идентифицирал протеини, които биха могли да повлияят на намаляването на чувствителността на туморните клетки към терапията. След това авторите проверили някои от прогнозите чрез лабораторни методи, като потискали дейността на избраните протеини и наблюдавали дали се променя действието на лекарството. Тази експериментална проверка е важна, тъй като самата връзка, открита от алгоритъма все още не доказва причинно-следствения механизъм.

Изследователите също така са проверили модела и върху проби от пациенти. В анализа им били включени 3651 протеина от биопсии на тумори на 501 души с тройно-негативен рак на млечната жлеза, взети преди химиотерапията. Прогнозите на ProteinTalks съвпаднали с действителните резултати от лечението, което показало възможността за пренасяне на закономерностите, открити върху клетъчни линии към по-сложни биологични проби.

Друго изпитание били органоидите – триизмерни клетъчни структури, отгледани от туморен материал на пациенти. Системата ProteinTalks била използван за предварителен подбор на лекарства, след което действието на препаратите можеше да се проверява вече върху реални органоиди. Такъв подход потенциално намалява броя на скъпоструващите експерименти, тъй като първо алгоритъмът отсява най-малко перспективните варианти.

Авторите не разглеждат ProteinTalks като заместител на лабораторните или клиничните изпитвания. Моделът е обучен предимно върху клетки от едно заболяване, а успешната прогноза за реакцията на биопсии и органоиди все още не означава, че системата е способна самостоятелно да предпише лечение на човек. На настоящия етап виртуалната клетка служи като инструмент за избор на най-перспективните хипотези, лекарства и комбинации, които след това изискват обичайна експериментална проверка.

Основната разлика между този подход и обикновеното виртуално претърсване на молекули се състои в опита да се моделира самата реакция на клетката във времето. Ако методът успее да се приложи към други видове клетки, заболявания и по-разнообразни биологични данни, виртуалните модели ще могат значително да стеснят обхвата на търсенето при разработването на лекарства. Авторите са предоставили академичен достъп до набора от данни, а изходният код на проекта е публикуван в GitHub.