Как использовать данные об уничтожении раковых клеток для продления жизни?

Мы опубликовали препринт и вот про что

В исследованиях старения нам нужны комбинации препаратов. У клетки много взаимосвязанных механизмов, и воздействие на несколько из них одновременно может дать результат, которого не получится добиться одним веществом.

Но даже тысяча веществ — это почти полмиллиона пар. Добавьте дозировки, разные клетки и их состояния. Как выбрать, что проверять в лаборатории первым?

Можно обучить нейросеть предсказывать взаимодействия препаратов. Только для этого нужны данные о том, что уже проверили. А в исследованиях старения таких данных мало.

Зато они есть в онкологии. Исследователи годами проверяют, какие сочетания веществ эффективнее уничтожают опухолевые клетки. Возникает идея: использовать накопленные результаты для поиска комбинаций против сенесцентных клеток — клеток, которые перестали делиться и могут поддерживать воспаление и нарушать работу тканей. Мы хотим научиться избирательно удалять их, сохраняя здоровые.

Центральный вопрос работы: как описать клетку нейросети, чтобы та могла предсказывать действие комбинаций в новом клеточном контексте?

Можно дать модели уровни экспрессии отдельных генов. Можно собрать их в описание активности биологических путей. А можно использовать регулоны — группы генов, работой которых управляет общий транскрипционный фактор. По их экспрессии мы оцениваем активность этих регуляторов.

Предположение такое: описание работающих в клетке процессов поможет переносить предсказания между разными клетками. Это можно проверить.

Для исследования собрали 302 тысячи наблюдений, охватывающих более трёх тысяч препаратов и 155 клеточных контекстов. Сравнили семь вариантов описания клетки. Проверяли отдельно перенос на незнакомые клеточные линии, на препараты с незнакомыми химическими каркасами и на ситуацию, когда новыми оказываются и клетки, и структуры препаратов.

Получилось интересно. На незнакомых клеточных линиях сочетание путей и регулонов лучше остальных проверенных вариантов различало синергию, антагонизм и отсутствие взаимодействия. А регулоны сами по себе дали лучший результат по метрике ранжирования синергичных комбинаций.

При этом добавление регулонов к путям помогало, когда незнакомыми были клетки или структуры препаратов по отдельности, но ухудшало результат, когда незнакомыми оказывались оба компонента одновременно.

Это важный результат для организации экспериментов. Модель, которая лучше классифицирует взаимодействия в целом, может уступать другой, когда нам нужно выбрать самые перспективные пары для лабораторной проверки. Критерий выбора модели должен соответствовать тому, что мы собираемся с ней делать.

Следующая задача — проверить перенос на сенесцентных клетках и сопоставить действие комбинаций с действием на контрольные клетки. Здесь важна избирательность: какие клетки погибают и какие сохраняются.

Так мы хотим использовать большой массив онкологических данных, чтобы обоснованнее выбирать эксперименты в биологии старения. Получать новые данные, проверять предсказания и на их основе выбирать следующие комбинации.