Новый подход для одновременного тестирования комбинаций лечения может помочь в разработке противораковых препаратов

Исследователи из MIT разработали новый теоретический подход для изучения механизмов взаимодействия методов лечения. Их метод позволяет эффективно оценивать, как комбинации воздействий повлияют на группу объектов (например, клеток), что даёт возможность проводить меньше дорогостоящих экспериментов, получая при этом более точные данные.

Например, для изучения влияния взаимосвязанных генов на рост раковых клеток биологу может потребоваться использовать комбинации методов для одновременного воздействия на несколько генов. Но поскольку для каждого этапа эксперимента существуют миллиарды потенциальных комбинаций, выбор определённого подмножества для тестирования может привести к смещению (bias) генерируемых данных.

Новый подход рассматривает сценарий, в котором исследователь может эффективно спланировать несмещённый эксперимент, назначая все воздействия параллельно и контролируя исход, регулируя интенсивность (дозировку) каждого воздействия.

Исследователи из MIT теоретически доказали почти оптимальную стратегию в рамках этого подхода и провели серию симуляций для её тестирования в многоэтапном эксперименте. Их метод минимизировал частоту ошибок в каждом случае.

Эта техника в будущем может помочь учёным лучше понять механизмы заболеваний и разрабатывать новые лекарства для лечения рака или генетических нарушений.

Одновременные воздействия

Воздействия могут взаимодействовать друг с другом сложным образом. Учёные используют так называемые комбинаторные пертурбации, когда применяют несколько воздействий одновременно к одной и той же группе клеток.

Поскольку генетические эксперименты дороги и требуют много времени, задача выбора оптимального подмножества комбинаций для тестирования является сложной из-за огромного числа возможностей.

Исследователи MIT подошли к этой проблеме иначе, используя вероятностный подход. Вместо фокусировки на выбранном подмножестве, каждый объект (например, клетка) случайным образом получает комбинацию воздействий на основе заданных пользователем уровней дозировки для каждого воздействия.

Уровни дозировки подобны вероятностям: если пользователь задаёт высокую дозировку, более вероятно, что большинство клеток получат это воздействие. Если дозировка низкая, воздействие получит меньшее подмножество клеток.

Их теоретический подход показывает, как лучше всего задавать эти дозировки, чтобы получить максимум информации об изучаемой характеристике или признаке.

После каждого этапа эксперимента пользователь собирает результаты и передаёт их обратно в систему. Она выдает оптимальную стратегию дозировок для следующего этапа, активно адаптируя стратегию на протяжении нескольких раундов.

Оптимизация дозировок и минимизация ошибки

Исследователи доказали, что их теоретический подход генерирует оптимальные дозировки, даже когда на уровни дозировки влияет ограниченный запас воздействий или когда шум в экспериментальных результатах варьируется на каждом этапе.

В симуляциях этот новый подход показал самую низкую частоту ошибок при сравнении оцененных и фактических результатов многоэтапных экспериментов, превзойдя два базовых метода.

В будущем исследователи хотят улучшить свой подход, чтобы учесть интерференцию между объектами и тот факт, что определённые воздействия могут приводить к смещению отбора. Они также хотели бы применить эту технику в реальных экспериментальных условиях.