KI-gestützter Algorithmus beschleunigt TCR-Identifizierung zur Entwicklung personalisierter Immuntherapien
2024
German Cancer Research Center, Heidelberg, Deutschland
Zur Beschleunigung der Entwicklung personalisierter T-Zell-Therapien wird in der vorliegenden Studie ein antigenunabhängiger Klassifikator (predicTCR) vorgestellt. PredicTCR ist ein auf maschinelles Lernen ausgelegter Algorithmus, der hochleistungsstarke Einzel-TIL-RNA-Sequenzierungstechniken nutzt, um reaktive T-Zell-Rezeptoren (TCRs) in tumorinfiltrierende Lymphozytenkulturen (TILs) verschiedener Krebsarten zu identifizieren. Das für die Studie verwendete resezierte Tumorgewebe wurde von einem männlichen 62-jährigen Melanom-Patienten zur Verfügung gestellt. Nach gelungener Identifizierung reaktiver TCRs in den Tumorproben des Spenders nutzten die Forscher die Ergebnisse und weitere Sequenzdaten, um den Algorithmus zu trainieren. Die Ergebnisse zeigen, dass die Vorhersagen von predicTCR eine deutlich höhere Genauigkeit (bis zu 90%) und Empfindlichkeit als bisherige Methoden aufweisen. Zudem ermöglicht die Kombination von Horchdurchsatz-TCR-Klonierung und Reaktivitätsvalidierung eine Auswahl priorisierter TCR-Klonotypen in nur wenigen Tagen. Zusammenfassend erweist sich die Methode als ein innovativer und effizienter Lösungsansatz, der dabei helfen kann, die Herstellung personalisierter Immuntherapien zu optimieren, indem er wertvolle Zeit einspart und durch das integrierte maschinelle Lernsystem die Suche nach reaktiven TCRs kontinuierlich präzisiert und verbessert.
Prediction of tumor-reactive T cell receptors from scRNA-seq data for personalized T cell therapy
M. Platten, E. W. Green
Eingestellt am: 02.04.2024
[1] https://www.nature.com/articles/s41587-024-02161-y[2] https://www.bionity.com/en/news/1182979/machine-learning-classifier-accelerates-the-development-of-cellular-immunotherapies.html?utm_source=newsletter&utm_medium=email&utm_campaign=bionityde&WT.mc_id=ca0264
