Otkrivanje tumorskih mutacija s umjetnom inteligencijom: prednosti DeepSomatica
U posljednjih nekoliko desetljeća znanstvenici su otkrili da je rak u osnovi genetska bolest. Kada se regulatori koji nadziru dijeljenje stanica propuste, abnormalne stanice se počnu množiti i formirati tumore. Ključni korak u borbi protiv raka je prepoznavanje specifičnih genetskih promjena – somatskih varijanti – koje pokreću tumorske ćelije. Ove promjene određuju kako će tumori reagirati na različite terapije, a to je temelj personalizirane medicine.
Zašto je otkrivanje tumorskih mutacija ključno
Svaki tumor nosi jedinstveni skup mutacija. Identifikacija tih mutacija omogućuje liječnicima da odaberu najefikasnije lijekove, izbjegnu one koji neće djelovati i smanje nuspojave. Na primjer, mutacije u genu EGFR otvaraju mogućnost upotrebe ciljanih lijekova, dok prisutnost određenih promjena može ukazivati na učinkovitost imunoterapije. Stoga je precizno otkrivanje somatskih varijanti postalo standardna praksa u onkologiji.
Izazovi u prepoznavanju somatskih varijanti
Tradicionalne metode sekvenciranja, poput onih koje se temelje na kratkim čitanjima, izuzetno su učinkovite u otkrivanju naslijeđenih varijanti koje su prisutne u svim stanicama tijela. Somatske varijante, pak, mogu se pojaviti samo u dijelu tumorskih stanica i često su skriveni među greškama sekvenciranja. To je posebno teško kada se radi o rijetkim događajima, jer se njihova učestalost može smanjiti na samo nekoliko posto od ukupnog broja čitanja.
Još jedan problem je raznolikost tehnologija za sekvenciranje. Kratka čitanja (Illumina) imaju vrlo nisku stopu grešaka, ali ne mogu lako otkriti velike strukturalne promjene. Duga čitanja (PacBio, Oxford Nanopore) mogu prepoznati te promjene, ali imaju višu stopu grešaka na pojedinačnim bazama. Kombinacija ovih tehnologija zahtijeva sofisticirane algoritme koji mogu integrirati različite izvore podataka.
DeepSomatic – inovativni pristup dubokog učenja
DeepSomatic je rješenje koje koristi duboko učenje kako bi prevladalo ove izazove. Umjesto da se oslanja na ručno definirane kriterije, model pretvara sirove podatke sekvenciranja u vizualne prikaze – „slike“ koje sadrže informacije o bazama, kvaliteti poravnanja i dubini čitanja. Konvolucijska neuronska mreža zatim analizira te slike i uči razlikovati referentni genom, benigne naslijeđene mutacije i stvarne somatske promjene.
Jedna od ključnih prednosti DeepSomatica je mogućnost rada u „tumor‑samo“ režimu. U mnogim slučajevima, posebno kod hematoloških maligniteta, nije moguće dobiti uzorak normalnog tkiva. DeepSomatic može precizno identificirati somatske varijante i bez takvog uzorka, čime se značajno povećava dostupnost personalizirane