واکسن سرطان شخصی با هوش مصنوعی Omnii
هوش مصنوعیClaude Sonnet 5خلاصهٔ کاملتر
سالهاست دانشمندها به این فکرن که بدنمون رو خودش علیه سرطان بسیج کنیم؛ ایده «واکسن سرطان» دقیقاً همینه، فقط برعکس واکسنهای معمولی که قبل از بیماری تزریق میشن، اینها درمانی هستن و برای بیمارهایی که از قبل سرطان دارن استفاده میشن. اخیراً Moderna و Merck تو یه کارآزمایی فاز ۳ نشون دادن یه واکسن شخصیسازیشده برای ملانوما (نوعی سرطان پوست) جواب داده، اما این فقط شروع راهه چون بیش از صد نوع سرطان دیگه هست که سیستم ایمنی سختتر میتونه ببینشون.
شرکت Radical Numerics مدل زبانی ژنومی خودش به اسم Omnii رو برای حل این مشکل به کار گرفته. کار مدل اینه که از بین جهشهای تومور هر بیمار بفهمه کدومها رو سلول سرطانی روی سطحش نشون میده (به این میگن presentation، یعنی نمایش قطعه پروتئین روی سطح سلول) و کدومها رو سیستم ایمنی واقعاً جدی میگیره و به سراغش میره (به این میگن immunogenicity، یعنی توانایی تحریک واکنش ایمنی). این دو پیشبینی، قلب طراحی هر واکسن سرطانه.
تو مقایسه با مدلهای تخصصی رقیب مثل BigMHC و NetMHCIIpan، Omnii تو presentation تقریباً همسطح یا کمی بهتر بود؛ اما تو immunogenicity که سختتره، فاصلهش خیلی بیشتر شد: تو یه معیار به نمره ۰.۷۵۰ رسید در حالی که بهترین رقیب ۰.۵۵۸ بود. یعنی Omnii بدون اینکه خاص همین کار آموزش دیده باشه، از پس یه مشکل تخصصیتر از رقیبای اختصاصی خودش بهتر براومده.
Radical Numerics یه سناریوی واقعی هم شبیهسازی کرده: فرض کن از ۱۰۰ هدف ممکن تو تومور یه بیمار، فقط جا برای انتخاب ۵ تا تو واکسن هست. با انتخاب Omnii بهطور میانگین ۱.۳ تا از این ۵ تا واقعاً مؤثر از آب در میاد، در حالی که با انتخاب تصادفی فقط ۰.۳ تا. این تفاوت کوچیک شاید زیاد به نظر نرسه، ولی وقتی فقط چند فرصت داری، هر هدف درست انتخابشده مهمه.
نکات کلیدی:
- Omnii مدل زبانی ژنومی چندوجهی Radical Numericsه که روی DNA، RNA، پروتئین و ساختار سهبعدی آموزش دیده.
- تو پیشبینی immunogenicity کلاس I به نمره ۰.۷۵۰ رسید، در برابر ۰.۵۵۸ برای بهترین رقیب اختصاصی (BigMHC-IM).
- تو شبیهسازی انتخاب ۵ هدف از ۱۰۰ گزینه، Omnii بهطور میانگین ۱.۳ هدف مؤثر پیدا میکنه، رقیبها بین ۰.۶ تا ۰.۷.
- این پروژه هنوز در دسترسی محدود (early access)ه و Radical Numerics دنبال همکار تو حوزه ایمونولوژی سرطانه.
