Doktorant, lek. Konrad Stawiski realizuje projekt finansowany grantem Preludium.
Rak trzustki jest jednym z nowotworów o najwyższej śmiertelności. Według Krajowego Rejestru Nowotworów, w Polsce co roku tę diagnozę słyszy ponad4 tysiące osób i tylko około 200 z nich przeżywa 5 lat od tego momentu. Wysoka śmiertelność tej choroby wynika z faktu, że objawy raka trzustki pojawiają się zwykle bardzo późno i są niespecyficzne. Ponadto, z powodu wielu wad oznaczenia CA19-9, można stwierdzić, że nie istnieje rzetelny test diagnostyczny z krwi w kierunku raka trzustki.
Przez ostatnie lata uwagę naukowców przyciągały specjalne cząsteczki kwasu rybonukleinowego, których obecność we krwi nadal pozostaje zagadką, a których unikalna stabilność sprawia, że przypisuje im się cechy idealnych biomarkerów. Te cząsteczki, zwane mikroRNA (miRNA), wewnątrzkomórkowo odpowiadają za hamowanie procesu tworzenia białek w komórkach, regulując i odzwierciedlając tym samym stan komórki. Ich obecność na zewnątrz komórek, np. we krwi jako tzw. krążących miRNA, nadal pozostaje nie do końcawyjaśniona. Niektórzy badacze udowadniają, że krążące miRNA we krwi mogą przekazywać informacje i regulować stan innych komórek niż te z których się wywodzą. Inni zaś uważają, że krążące miRNA stanowią jedynie wypuszczone z komórek produkty uboczne, któresą kompletnie niepotrzebne i nie pełnią żadnych funkcji. Niezależnie od tego, która z tych teorii jest prawdziwa, w przypadku chorób nowotworowych można spodziewać się innegoprofilu miRNA we krwiniż u osób zdrowych. Jednakże wydaje się także oczywiste, że taka mieszanka miRNA uwolniona z różnych komórek nie może być łatwa w interpretacji.
Klasyczne metody statystyczne w wielowymiarowych analizach profilu miRNA obciążone są błędem związanymz wielokrotną liczbą porównań. Dlatego też, w rozwiązaniu tego problemu coraz bardziej pomocne są techniki sztucznej inteligencji (data mining), których ideąper sejest poszukiwaniewzorów i wiedzy w wielkich zbiorach danych. Pomimo tego, zwłaszcza w przypadku miRNA. modele tworzone z wykorzystaniem tych technik częstoulegają zjawisku przeuczenia, które sprawia, że modele te sąwyjątkowe nieskuteczne na innych zbiorach danych (nowych grupach pacjentów), a zatem nie mogą być generalizowane.
Ostatnio nastąpił przełom w rozwoju technik sztucznej inteligencji poprzez rozwinięcie technik modelowania głębokimisieciami neuronowymi(deep learning). Rozwiązania te zrewolucjonizowały np. rozpoznawanie mowy czy widzenie komputerowe i mogłyby zostać z powodzeniem wykorzystane także w takich zadaniach jak rozpoznawaniepacjentów zi bez raka trzustkina podstawie profilu krążących miRNA. Główną zaletą tych metod jest automatyczne poszukiwanie ukrytych cech (deep features) wzbiorze danych, które pozwalana lepsze rozróżnienie specyficznych cech dla problemu badawczego. Oprócz tego,rozwijające się aktywnie badania naukowe w dziedzinie sztucznej inteligencjipokazują, że techniki teznacznie lepiej radzą sobie z tzw. nauczaniem przeniesionym (transfer learning). W nauczaniu przeniesionym próbuje się otworzyć jedną z unikalnych i najbardziej wartościowych cech ludzkiej inteligencji, która pozwala na przeniesienie wiedzy uzyskanej w jednym zdaniu jako wiedzę, która później ulega tylko dalszej szybszej modyfikacji w nowych zadaniach.
W tym projekcie zamierzamy, zatem, zaprojektować i sprawdzić nowatorskie podejście do identyfikacji krążących miRNA jako biomarkerów taka trzustki poprzez zaproponowanie techniki integracji wcześniej uzyskanej wiedzy z analizy wewnątrzkomórkowych miRNA. Według naszej hipotezy wykorzystanie najnowocześniejszych technik sztucznej inteligencji wraz z technikami nauczania przenoszonego z analizy wewnątrzkomórkowych miRNA mogłoby zapewnić długo oczekiwanyprzełom. W tym celu najpierw zrekrutujemy grupę 44 pacjentów z rakiem trzustki, którzy rozszerzą zebraną już przez nas kohortę pacjentów, a których materiał zostanie następnie poddany sekwencjonowaniu nowej generacji miRNA w surowicy. Ostatecznie, poprzez sprawdzenie 3 zaproponowanych przez nas metod integracji mamy nadzieję dostarczyć dowody pozwalające na przypuszczenie, że nasza technika zapewnia innowacyjną skuteczną integracje profilów miRNA z różnych źródeł. Pozytywny wynik projektu pozwoliłby znacznie rozszerzyć i przełomowo przyśpieszyć poszukiwanie biomarkerów w profilu krążących miRNAraka trzustki i innych chorób onkologicznych.
