သုတေသီများသည် ယနေ့ခေတ်တွင် စံပြုထားသော biomarkers ဆရာဝန်များထက် ပိုမိုတိကျစွာ လူနာများကို ခုခံအားကုထုံးကို မည်သို့တုံ့ပြန်မည်ကို ခန့်မှန်းနိုင်သည့် pan-cancer AI မော်ဒယ်ကို တီထွင်ခဲ့သည်။ COMPASS ဟုခေါ်သော မော်ဒယ်ကို 2026 ခုနှစ် ဇူလိုင်လ 3 ရက်နေ့တွင် Nature Medicine တွင် ထုတ်ဝေခဲ့သော လေ့လာမှုတစ်ခုတွင် ဖော်ပြခဲ့ပြီး၊ ၎င်းသည် မတူညီသောအကျိတ်အမျိုးအစားများ၊ ကုသမှုပုံစံများနှင့် ဆေးခန်းအုပ်စုများကို ယေဘုယျအားဖြင့် ဖော်ပြထားပါသည်။
Immunotherapy အထူးသဖြင့် immuno checkpoint inhibitors ဟုခေါ်သော ဆေးဝါးအမျိုးအစားတစ်ခုသည် ကင်ဆာကုသမှုကို အသွင်ပြောင်းခဲ့သော်လည်း လူနာအနည်းစုသာ အကျိုးကျေးဇူးရှိသည်။ စက်သင်ယူခြင်း ဆေးဝါးကို ပြန်လည်ပုံသွင်းပုံပြီးနောက် AI လုပ်ငန်းဆိုင်ရာ လွှမ်းခြုံမှု အတွက်၊ COMPASS သည် အခြေခံအုတ်မြစ်ပုံစံနည်းပညာများကို ဘာသာစကားနှင့် ရုပ်ပုံများမှ ကင်ဆာရောဂါအဖြစ်သို့ မည်ကဲ့သို့ ရွေ့ပြောင်းသည်ကို အသေးစိတ်ကြည့်ရှုပေးပါသည်။
ပြဿနာ COMPASS ကိုင်တွယ်ဖြေရှင်းခြင်း။
Immune checkpoint inhibitors (သို့) ICIs များသည် ခုခံအားစနစ်ရှိ ဘရိတ်များကို ထုတ်လွှတ်ခြင်းဖြင့် ကင်ဆာရောဂါများအတွက် ရလဒ်များကို သိသိသာသာ တိုးတက်စေပါသည်။ အဖမ်းအဆီးကတော့ တုံ့ပြန်မှုတွေ မညီမညာဖြစ်နေပါတယ်။ လူနာအနည်းစုကသာ တာရှည်ခံသက်သာခွင့်ကို ရရှိကြပြီး အခြားအများစုမှာ လုံးဝအကျိုးမရှိကြောင်းနှင့် ဆရာဝန်များက မည်သူမည်ဝါဖြစ်ကြောင်း ကြိုတင်ပြောရန် ကိရိယာများ အကန့်အသတ်ရှိသည်။
ယနေ့ခေတ် ဆေးခန်းမှ တရားဝင်အတည်ပြုထားသော ကြိုတင်ခန့်မှန်းသူများဖြစ်သည့် အဓိကအကျိတ် ပြောင်းလဲမှုဆိုင်ရာ ဝန်ထုပ်ဝန်ပိုး (TMB) နှင့် PD-L1 ဟုခေါ်သော ပရိုတင်း၏ ဖော်ပြချက်သည် မစုံလင်ပါ။ ICI ကုသပေးသော လူနာ 27,000 ကျော်၏ ရင်သားကင်ဆာ ခွဲခြမ်းစိတ်ဖြာမှုတွင် အဆိုပါ အမှတ်အသားများနှင့် အမှန်တကယ် လူနာတုံ့ပြန်မှုများကြား အားနည်း သို့မဟုတ် တသမတ်တည်း ချိတ်ဆက်မှုများသာ တွေ့ရှိခဲ့သည်။ ရလဒ်မှာ လူနာများသည် ၎င်းတို့အား မကူညီနိုင်သော ဆေးဝါးများနှင့် ထိတွေ့နိုင်သော်လည်း အခြားအကျိုးရှိမည့်သူများကို မဖော်ထုတ်နိုင်ပေ။
COMPASS သည် အကျိတ်တစ်ခုနှင့် အနီးတစ်ဝိုက်ရှိ ခုခံအားဆဲလ်များကြားတွင် ရှုပ်ထွေးသော အကျိတ်နှင့် ခုခံအားဆဲလ်များကြားတွင် ရှုပ်ထွေးသော အပြန်အလှန်သက်ရောက်မှုရှိသော အကျိတ်၏ ဇီဝဗေဒဆိုင်ရာ အခြေခံသဘောတရားများအကြောင်း အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော ဇီဝဗေဒအခြေခံသဘောတရားများကို လေ့လာခြင်းဖြင့် ထိုကွာဟချက်ကို ပိတ်ရန် ရည်ရွယ်သည်။
Concept Bottleneck Foundation Model တစ်ခု
COMPASS ကို အနက်ရောင်သေတ္တာထက် ရှင်းပြနိုင်သော ဗိသုကာလက်ရာတစ်ခုဖြစ်သည့် အယူအဆ ကန့်လန့်ခံမော်ဒယ်အဖြစ် တည်ဆောက်ထားသည်။ ၎င်းသည် လူနာ၏အကျိတ် RNA ဒေတာကို စီတန်းခြင်းဒေတာကို Transformer-based gene encoder မှတဆင့် 15,672 protein-coding genes ၏ဖော်ပြချက်ကိုဖတ်ပြသည်။ ထို့နောက် အဆိုပါ မျိုးရိုးဗီဇ မြှုပ်နှံမှုများကို ခွဲထုတ်ထားသော ဗီဇ လက်မှတ်ပေါင်း 132 ခုပေါ်တွင် ပုံဖော်ထားပြီး မြင့်မားသော အဆင့် ခုခံအား နှင့် သေးငယ်သော ပတ်ဝန်းကျင် သဘောတရား 43 ခုအဖြစ် ပေါင်းစည်းကာ လူနာတစ်ဦးစီ၏ အကျိတ်-ခုခံအား ဒိုင်နနမစ်များကို ကိုယ်စားပြုမှု ထုတ်ပေးပါသည်။
မော်ဒယ်ကို The Cancer Genome Atlas (TCGA) မှ ကင်ဆာအမျိုးအစား 33 ခုရှိ ကင်ဆာအမျိုးအစား 33 ခုတွင် 10,184 အကျိတ်များပေါ်တွင် ကိုယ်တိုင်ကြီးကြပ်ကွပ်ကဲသော ဆန့်ကျင်ဘက်ဆိုင်ရာ သင်ယူမှုကို အသုံးပြု၍ ကြိုတင်လေ့ကျင့်ထားသည်။ တံဆိပ်မပါသော ဒေတာအများအပြားကို ဦးစွာလေ့လာခြင်းဖြင့်၊ COMPASS သည် သေးငယ်သော ဆေးခန်းအုပ်စုများပေါ်တွင် ကောင်းစွာချိန်ညှိနိုင်သည့် ယေဘုယျသဘောဆောင်နိုင်သည့် ကိုယ်စားပြုမှုများကို တည်ဆောက်ပေးသည်၊၊ အလွန်ရှားပါးသော ခုခံအားကုထုံးဒေတာကို တံဆိပ်တပ်ထားသည့် အရေးကြီးသောပိုင်ဆိုင်မှုတစ်ခုဖြစ်သည်။
ဗိသုကာလက်ရာသည် လူသားဖတ်နိုင်သော သဘောတရားများမှတဆင့် အချက်အလက်များကို ဖြတ်သန်းသွားသောကြောင့်၊ ဆေးခန်းများသည် T cell ကုန်ဆုံးသွားခြင်း၊ myeloid ပရိုဂရမ်များ သို့မဟုတ် ခုခံအားထိန်းညှိခြင်းအချက်ပြခြင်းကဲ့သို့သော ဇီဝဆိုင်ရာအချက်ပြမှုများကို စစ်ဆေးနိုင်ပါသည်။ ၎င်းသည် ၎င်း၏နောက်ကွယ်တွင် အကြောင်းပြချက်မရှင်းပြဘဲ ရမှတ်တစ်ခုထုတ်ပေးသည့် နက်နဲသောသင်ယူမှုပုံစံများစွာနှင့် ဆန့်ကျင်ဘက်ဖြစ်သည်။
ကင်ဆာရောဂါများအတွက် ပြင်းထန်သောရလဒ်များ
သုတေသီများသည် ကင်ဆာအမျိုးအစား ခုနစ်မျိုးတွင်ပါဝင်သော ဆေးခန်းပေါင်း 16 ခုမှ ရေးဆွဲထားသော လူနာ 1,133 ဦးအပေါ် COMPASS ကို အကဲဖြတ်ပြီး ကုသခြင်း အကျိတ်မှတ်တမ်းမှတ်ရာများကို အသုံးပြုကာ anti-PD-1/PD-L1၊ anti-CTLA-4 နှင့် ပေါင်းစပ်ကုထုံးများ အပါအဝင် စစ်ဆေးရေးဂိတ်တားဆေးများကို တုံ့ပြန်မှုကို ခန့်မှန်းနိုင်ခဲ့သည်။
မော်ဒယ်ကို တခါမှမမြင်ဖူးသော အစုအဝေးတစ်ခုတွင် ထပ်ခါတလဲလဲ စမ်းသပ်နေသည့် ခွင့်ရက်-တစ်ဖွဲ့ အကဲဖြတ်မှုတွင်၊ COMPASS သည် ပြိုင်ဖက်မော်ဒယ် 22 ခုကြားတွင် အကောင်းဆုံး ပျမ်းမျှစွမ်းဆောင်ရည်ကို ရရှိခဲ့သည်။ ၎င်းသည် ခန့်မှန်းခြေတိကျမှု 8.5 ရာခိုင်နှုန်းနှင့် တိကျစွာပြန်လည်သိမ်းဆည်းမှုမျဉ်းကွေး (AURC) အောက်တွင် ဧရိယာအား 15.7 ရာခိုင်နှုန်းဖြင့် ရလဒ်တစ်ခုထက်ပိုမိုရှားပါးလာသောအခါတွင် အဓိကမက်ထရစ်တစ်ခုဖြစ်သည်။
အထူးခြားဆုံးရလဒ်မှာ ဆီးအိမ်နှင့် ဆီးလမ်းကြောင်းကင်ဆာဖြစ်သော metastatic urothelial carcinoma ၏ ဆီးအိမ်နှင့် ဆီးလမ်းကြောင်းဆိုင်ရာ ကင်ဆာအဆင့် 2 စမ်းသပ်မှုတွင် ထွက်ပေါ်လာခြင်းဖြစ်သည်။ COMPASS ခန့်မှန်းထားသည့် လူနာများသည် အန္တရာယ်အချိုးအစား 4.7 နှင့် P တန်ဖိုး 1.7 × 10⁻⁷ ဖြင့် ခန့်မှန်းထားသည်ထက် သိသိသာသာ ပိုရှည်စွာ ရှင်သန်နိုင်သည်။ ဤတိုင်းတာမှုတွင်၊ AI မော်ဒယ်သည် TMB နှင့် PD-L1 စမ်းသပ်မှုနှစ်ခုစလုံးတွင် စွမ်းဆောင်ရည်ထက် သာလွန်ခဲ့ပြီး ဆေးခန်းတွင် လက်ရှိအသုံးပြုနေသည့် biomarkers များဖြစ်သည်။
လူနာများ အဘယ်ကြောင့် တုံ့ပြန်မှု၊ သို့မဟုတ် မလုပ်သင့်သည်ကို ရှင်းပြခြင်း။
ကုန်ကြမ်းတိကျမှုအပြင်၊ COMPASS သည် လူနာတစ်ဦး၏မျိုးရိုးဗီဇဖော်ပြမှုကို သီးခြားကိုယ်ခံအားသဘောတရားများနှင့် ချိတ်ဆက်ပေးသည့် သီးသန့်တုံ့ပြန်မှုမြေပုံများကို ထုတ်ပေးသည်။ ဤမြေပုံများသည် ခန့်မှန်းခြင်း၏နောက်ကွယ်ရှိ ယန္တရားကိုရှင်းပြရာတွင် အထောက်အကူဖြစ်စေပြီး သမားရိုးကျအမျိုးအစားများကို အထင်လွဲစေသည့်ကိစ္စများကို ဖော်ထုတ်ပေးပါသည်။
ဥပမာအားဖြင့်၊ ဆရာဝန်များသည် ရောင်ရမ်းခြင်း၊ ဖယ်ထုတ်ထားသော၊ နှင့် စွန့်ခွါခြင်းတို့ကို အသုံးပြု၍ အကျိတ်များကို အမျိုးအစားခွဲလေ့ရှိသည်။ သို့သော် COMPASS သည် ဤကြမ်းကြမ်းတမ်းတမ်း စီခြင်းအား လှည့်စားနိုင်ကြောင်း ပြသခဲ့သည်။ ကောင်းသောတုံ့ပြန်မှုကိုခန့်မှန်းသင့်သည့် "ရောင်" အကျိတ်ရှိသောလူနာအချို့သည် TGFβဟုခေါ်သောပရိုတိန်းမှမောင်းနှင်သောအချက်ပြမှုများ၊ သွေးကြောဖယ်ထုတ်ခြင်းသို့မဟုတ်အချို့သောကိုယ်ခံအားဆဲလ်များတွင်မစွမ်းဆောင်နိုင်သောကြောင့်မတုံ့ပြန်ပါ။ ဆန့်ကျင်ဘက်အားဖြင့်၊ အကျိတ်များ ရောင်ရမ်းခြင်းမရှိသော လူနာအချို့သည် ၎င်းတို့သည် cytotoxic ခုခံအားစနစ်ကို ထိန်းသိမ်းထားသောကြောင့် သို့မဟုတ် immunosuppressive signals မပါဘဲ မြင့်မားသော ပြောင်းလဲမှုဆိုင်ရာဝန်ထုပ်ဝန်ပိုးကို သယ်ဆောင်သွားသောကြောင့် တုံ့ပြန်ဆဲဖြစ်သည်။
အဆိုပါ လျှို့ဝှက်ကွဲပြားမှုများကို ဖြေရှင်းခြင်းဖြင့်၊ COMPASS သည် ရှိပြီးသား biomarkers များကို အစားထိုးခြင်းထက် ဖြည့်စွက်ပေးသည့် လုပ်ဆောင်ချက်ဆိုင်ရာ ကိုယ်ခံအားအခြေအနေများကို ခွဲခြားသတ်မှတ်သည်။
##ဘာတွေဆက်ဖြစ်မလဲ။
လေ့လာမှုသည် ကင်ဆာရောဂါဗေဒတွင် AI ၏ကတိနှင့် ကန့်သတ်ချက်များကို အလေးပေးဖော်ပြသည်။ COMPASS သည် ကင်ဆာအမျိုးအစားများနှင့် ကုသမှုများကို ယေဘုယျအားဖြင့် ယေဘုယျဖော်ပြပြီး နောက်ထပ်လေ့ကျင့်မှုမပါဘဲ လူနာအသစ်များနှင့် ထပ်တူထပ်မျှလေ့ကျင့်မှုမရှိဘဲ အလားတူဖြစ်ရပ်များနှင့်ကိုက်ညီသည့် သုညရိုက်ချက်မုဒ်အပါအဝင် ကန့်သတ်ချက်ထိရောက်သော လွှဲပြောင်းသင်ကြားမှုမှတစ်ဆင့် သေးငယ်သော ဆေးခန်းအုပ်စုများသို့ လိုက်လျောညီထွေဖြစ်စေနိုင်သည်။ သို့သော် ခုခံအားကုထုံးတုံ့ပြန်မှုသည် စာသားမှတ်တမ်းထက် ကျော်လွန်သည့်အချက်များစွာပေါ်တွင်မူတည်ကြောင်း စာရေးသူသတိပြုမိပြီး ဆေးခန်းသုံးမွေးစားခြင်းသည် ပိုမိုကြီးမားပြီး မတူကွဲပြားသော လူဦးရေများတစ်လျှောက်တွင် ထပ်မံအတည်ပြုချက် လိုအပ်မည်ဖြစ်သည်။
အလုပ်သည် ပိုမိုကျယ်ပြန့်သော လမ်းကြောင်းကို ထင်ဟပ်စေသည်- များပြားလှသော ဒေတာအတွဲများပေါ်တွင် လေ့ကျင့်ထားသော အခြေခံအုတ်မြစ်များ နှင့် အထူးပြုဆေးဘက်ဆိုင်ရာ လုပ်ငန်းဆောင်တာများအတွက် လိုက်လျောညီထွေဖြစ်အောင် ဆေးခန်းသို့ ရွေ့လျားနေပါသည်။ အကျိတ်ကိုယ်ခံအား ဇီဝဗေဒမှ သင်ယူခဲ့သော သဘောတရားများသည် ပိုမိုကောင်းမွန်သော ဘာသာသို့ ဘာသာပြန်ပေးနိုင်ခြင်း ရှိ၊မရှိ၊ လူနာတစ်ဦးချင်းစီအတွက် ကုသမှုဆိုင်ရာ ဆုံးဖြတ်ချက်များ ပိုမိုမြန်ဆန်စေခြင်းမှာ နောက်တစ်ကြိမ် စမ်းသပ်မှုများတွင် အဖြေပေးရမည့် မေးခွန်းဖြစ်သည်။
AI ထက်သာလွန်နေပါစေ။
ဖောင်ဒေးရှင်းပုံစံများသည် စာသားနှင့်ရုပ်ပုံများမှ ဆေးပညာနှင့် သိပ္ပံပညာများဆီသို့ ပို၍ပို၍ရွေ့လျားလာသည်။ နောက်ဆုံးပေါ် AI တိုးတက်မှုများ ကျန်းမာရေးစောင့်ရှောက်မှုနှင့် သုတေသနကို ပုံဖော်ပါ။
AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →
