Квантовий ШІ прогнозує імунну відповідь на неоантигени для боротьби з раком

Прорив у імуноонкології за допомогою квантових обчислень

Дослідники з Cleveland Clinic та IBM об'єднали зусилля, щоб використати квантові обчислення для вирішення однієї з найскладніших проблем в імуноонкології: прогнозування того, які мутації пухлини спровокують імунну відповідь. Їхня розробка, фреймворк Quantum Convolutional HLA Immunogenic Peptide Prediction (Q-CHIPP), об'єднала прогнози презентації антигенів та імунотерапевтичної відповіді в єдину систему. Згідно з результатами, опублікованими в Science Advances, Q-CHIPP перевершив класичні обчислювальні методи, покращивши точність за умов обмежених даних.

Розуміння неоантигенів та викликів

Неоантигени — це аномальні білки, що утворюються на поверхні ракової клітини, коли клітина набуває мутацій у своїй ДНК. Вони сигналізують імунній системі, що клітина є чужорідною або шкідливою для організму. Важливою частиною імунотерапії є навчання організму розпізнавати та атакувати неоантигени. Проблема полягає в тому, що в одній пухлині можуть бути тисячі потенційних неоантигенів, але лише дуже небагато з них будуть розпізнані імунною системою. Добре відомо, що саме ці добре розпізнавані (імуногенні) неоантигени є основним рушієм відповіді на імунотерапію. Для розробки протиракових вакцин та інших методів лікування дослідникам необхідно розуміти, які неоантигени активують імунну систему для атаки на ракові клітини.

У 2024 році дослідники Cleveland Clinic опублікували атлас із 196 кандидатних неоантигенів, які, ймовірно, викликають імунну відповідь, з метою посилення можливостей моделей машинного навчання для прогнозування неоантигенів. Однак моделі машинного навчання вимагають великих наборів даних для вивчення складних закономірностей та досягнення високої точності прогнозування, а атлас із 196 кандидатів все ще вважається невеликим набором даних. Це може призвести до перенавчання моделі, низької продуктивності та обмеженої здатності до ефективної узагальнення.

Квантовий підхід до малих даних

Щоб подолати обмеження сучасних обчислювальних методів, команда розробила підхід квантової згорткової нейронної мережі, який вивчає значущі біологічні закономірності з невеликих наборів даних. Поєднавши обчислювальний досвід IBM та біомедичні знання Cleveland Clinic, команда створила першу у своєму роді модель, яка може навчатися на тренувальних наборах із лише 150 зразків.

Доктор Тайлер Албан, старший автор дослідження, підкреслив, що створення цієї моделі є прикладом командної науки, де експерти в галузі раку, обчислювальних наук та квантових обчислень співпрацювали та навчалися один в одного.

Масштабування та майбутні перспективи

Розроблена модель змогла перевершити традиційні обчислювальні методи при оцінці за аналогічних обмежень та параметрів. Команда також досягла значного технічного успіху, масштабувавши свій підхід до моделювання повнорозмірних пептидів на квантовому обладнанні, використовуючи 46 кубітів. Команда планує продовжувати вдосконалювати цю модель, щоб забезпечити більш точну ідентифікацію терапевтичних цілей, потенційно прискорюючи розробку персоналізованих протиракових імунотерапій та вакцин нового покоління.

Сара Каппоні, відповідний автор та старший науковий співробітник IBM Research, зазначила, що цей спільний підхід демонструє, як Cleveland Clinic та IBM є піонерами квантових обчислень в імунології та, в широкому сенсі, в охороні здоров'я. Вона додала, що лише команда з такою широкою експертизою могла перетворити особливості імунної системи на квантові схеми, забезпечити, щоб базова математика точно відображала біологію, та перевірити результати на реальних даних пацієнтів.