Лекарственная устойчивость опухоли — одна из главных причин, по которой лечение рака со временем может перестать работать. Это происходит, когда опухолевые клетки приспосабливаются к химиотерапии, таргетным препаратам или иммунотерапии и продолжают расти, несмотря на лечение. Новый обзор показывает, как искусственный интеллект может помочь врачам заранее оценивать такой риск.
Обзор опубликован при участии FAR Publishing Limited (FAR Publishing Ltd) в журнале Current Molecular Pharmacology.
Почему устойчивость к лечению так трудно предсказать
Опухоль редко бывает однородной. Внутри неё могут существовать разные группы клеток: одни чувствительны к препарату, другие уже имеют механизмы защиты. Под давлением лечения более устойчивые клетки получают преимущество и могут начать преобладать.
Авторы обзора — Цзя Ван (Jia Wang), Хун-Жуй Чжу (Hong-Rui Zhu), Чжи-Чунь Гу (Zhi-Chun Gu) и Хоу-Вэнь Линь (Hou-Wen Lin) — рассматривают, как вычислительные модели помогают объединять генетические, молекулярные и клинические данные, чтобы лучше понимать эти процессы.
Речь идёт не о замене онколога, а о дополнительном инструменте. Такая система может подсказать, у каких пациентов выше вероятность устойчивости к конкретному лечению и какие биологические пути опухоль использует для «обхода» терапии.
Что такое «омиксные» данные
В обзоре много внимания уделено многоуровневым, или «омиксным», данным. Это большие наборы сведений о работе опухоли на разных уровнях.
Геномика изучает изменения в дезоксирибонуклеиновой кислоте (ДНК), где хранится наследственная информация клетки. Транскриптомика показывает, какие гены сейчас активны и какие молекулы рибонуклеиновой кислоты (РНК) вырабатываются. К этим данным могут добавляться сведения о белках, обмене веществ, составе иммунных клеток вокруг опухоли и клинической истории пациента.
Искусственный интеллект (ИИ) помогает искать в таких данных закономерности, которые человеку трудно увидеть вручную. Машинное обучение — это подход, при котором алгоритм учится на примерах. Глубокое обучение — более сложный вариант машинного обучения, использующий многослойные модели, способные находить скрытые связи в больших массивах данных.
Какие базы данных используют исследователи
Авторы описывают крупные открытые хранилища данных, включая The Cancer Genome Atlas (TCGA) и Genomics of Drug Sensitivity in Cancer (GDSC). Перед использованием такие данные нужно тщательно подготовить: убрать технический шум, привести образцы к сопоставимому виду и учесть различия между лабораториями.
Это важно, потому что модель искусственного интеллекта чувствительна к качеству исходной информации. Если данные неполные, разнородные или собраны разными методами, алгоритм может найти не биологическую закономерность, а техническую ошибку.
Главная проблема — доверие врачей
По словам Чжи-Чунь Гу (Zhi-Chun Gu), одна из ключевых трудностей — противоречие между точностью модели и её понятностью. Некоторые глубокие нейросети могут хорошо предсказывать результат, но не всегда объясняют, почему сделали именно такой вывод. Для врача это серьёзное ограничение: решение о лечении нельзя основывать на «чёрном ящике», особенно если речь идёт о риске прогрессирования рака.
Поэтому авторы выступают за объяснимый искусственный интеллект. Это такие модели, которые не только выдают прогноз, но и показывают, какие признаки оказались наиболее важными: мутация, активность определённого гена, особенности иммунного микроокружения или клинические параметры пациента.
Жидкая биопсия может показать, как меняется опухоль
Отдельное направление — динамическое наблюдение с помощью жидкой биопсии. Жидкая биопсия — это анализ крови или другой биологической жидкости, в которой можно искать опухолевую ДНК, клетки или молекулярные следы опухоли.
В отличие от обычной биопсии, такой подход можно повторять чаще. Это важно, потому что устойчивость к лечению развивается во времени. Модель, которая использует только данные на момент диагноза, может пропустить изменения, появившиеся после нескольких месяцев терапии.
Почему авторы выделяют тромбоз у пациентов с раком
Обзор обращает внимание на особую группу — пациентов с опухоль-ассоциированным тромбозом. Это состояние, при котором у человека с раком повышается риск образования тромбов, то есть сгустков крови внутри сосудов.
Тромбоз у онкологических пациентов не только осложняет лечение, но и может быть связан с более агрессивным течением болезни. Авторы считают, что будущие модели должны учитывать признаки системы свертывания крови и изменения тромботических маркеров во времени. Это может помочь точнее подбирать сочетание противоопухолевой и антикоагулянтной терапии, то есть лечения, снижающего риск тромбов.
Что это значит для пациентов
Для пациента такие технологии в перспективе могут означать более индивидуальный выбор лечения. Не просто «стандартная схема для данного вида рака», а прогноз с учётом молекулярного профиля опухоли, риска устойчивости, сопутствующих осложнений и динамики болезни.
Но до широкого внедрения ещё далеко. Нужны единые стандарты данных, проверка моделей в перспективных клинических исследованиях и доказательство, что такие прогнозы действительно улучшают исходы: продлевают контроль болезни, уменьшают ненужную токсичность и помогают выбрать более подходящее лечение.
По словам Хоу-Вэнь Линя (Hou-Wen Lin), цель таких разработок — уйти от слишком общих прогнозов и давать более точные подсказки тем пациентам, которым они особенно нужны.
Ранее на МКБ-11 рассказывали о похожем направлении в онкологии: искусственный интеллект уже пробуют использовать, чтобы предсказывать выживаемость у больных раком. Новый обзор показывает следующий шаг — прогнозировать не только общий исход, но и вероятную устойчивость опухоли к лечению.
Литература
Wang J., et al. Oncology drug resistance prediction tools: Database infrastructure, algorithmic innovation, and clinical translation // Current Molecular Pharmacology. — 2026. — Vol. 19. — P. 85–96. — DOI: 10.1016/j.cmp.2026.04.001.