Исследователи разработали модель scSurvival, которая анализирует опухоль на уровне отдельных клеток и помогает оценивать риск для пациентов с онкологическими заболеваниями. Система не только прогнозирует исходы, но и показывает, какие группы клеток могут быть связаны с более высоким или более низким риском.
Работа опубликована в журнале Cancer Discovery.
Почему опухоль нельзя оценивать «в среднем»
Каждая опухоль состоит из разных клеточных популяций. Одни клетки могут быть связаны с более агрессивным течением болезни, другие — с лучшим ответом на лечение. Но при обычном усреднении данных по всей опухоли эти различия сглаживаются.
Именно это долго оставалось проблемой для анализа данных экспрессии генов на уровне отдельных клеток. Учёные могли получать огромные массивы информации — от тысяч до миллионов клеток, — но традиционные методы часто теряли важные детали.
Как работает scSurvival
Модель scSurvival использует методы машинного обучения для анализа одноклеточных данных. Вместо того чтобы одинаково учитывать все клетки опухоли, система присваивает каждой клетке вес в зависимости от того, насколько она связана с выживаемостью пациента.
Менее значимые сигналы отфильтровываются, а данные от более важных клеток сильнее влияют на итоговый прогноз. Благодаря этому модель оценивает не только общий риск, но и клеточные источники этого риска.
Проверка на пациентах с меланомой и раком печени
Модель обучали на одноклеточных наборах данных, связанных с показателями выживаемости сотен пациентов. Затем её проверили на клинических данных более чем 150 пациентов с меланомой или раком печени.
scSurvival предсказывала исходы точнее, чем традиционные подходы. Кроме того, исследователи смогли проследить прогноз модели до конкретных групп клеток — как опухолевых, так и иммунных.
Что показал анализ меланомы
При меланоме модель выявила клеточные популяции, связанные с ответом на иммунотерапию. Это особенно важно, потому что у части пациентов опухоль изначально плохо отвечает на лечение или со временем приобретает устойчивость.
Такие данные помогают понять, почему клиническое течение болезни у пациентов с внешне похожим диагнозом может сильно различаться.
Зачем это нужно врачам и исследователям
Инструменты вроде scSurvival могут стать способом более точной оценки риска при сложных опухолях. Их ценность не только в прогнозе, но и в объяснении: модель указывает, какие клеточные группы могут влиять на течение болезни.
Пока речь идёт об исследовательской разработке, а не о готовом клиническом тесте. Но сама идея важна: анализ опухоли на уровне отдельных клеток может помочь лучше подбирать лечение и глубже понимать, почему одни опухоли реагируют на терапию, а другие — нет.
В случае меланомы это направление особенно актуально, поскольку устойчивость к лечению часто определяется не одной мутацией, а сложным взаимодействием опухолевых и иммунных клеток. Подробнее об этом рассказывает материал МКБ-11 о том, как меланома становится устойчивой к лечению.
Литература
Tao Ren et al. scSurvival: single-cell survival analysis of clinical cancer cohort data at cellular resolution // Cancer Discovery. 2026. DOI: 10.1158/2159-8290.CD-25-0965.