Учёные разработали систему на основе искусственного интеллекта, которая помогает искать перспективные антигены для терапии Т-клетками с химерным антигенным рецептором (CAR-T). В качестве первого подтверждения подхода исследователи выбрали мишень GPNMB и создали CAR-T-клетки, которые уничтожали опухоли в доклинических моделях нескольких видов рака.
Почему поиск мишени — главная трудность
CAR-T-терапия — это метод, при котором Т-клетки пациента изменяют так, чтобы они распознавали опухоль по определённому белку на поверхности клетки. Такой белок называют антигеном-мишенью. Если мишень выбрана удачно, изменённые иммунные клетки находят и атакуют опухоль.
Этот подход уже изменил лечение некоторых опухолей крови. Но для солидных опухолей, то есть опухолей органов и тканей, а не крови, задача намного сложнее. Подходящий антиген должен быть достаточно заметен на раковых клетках и при этом отсутствовать или встречаться в минимальном количестве на жизненно важных здоровых тканях. Иначе терапия может повредить не только опухоль, но и нормальные клетки.
Как искусственный интеллект участвовал в работе
Исследование выполнили специалисты Медицинской школы Пенсильванского университета (University of Pennsylvania School of Medicine) и Онкологического центра Абрамсона Пенсильванского университета.
Команда использовала подход «человек в контуре»: искусственный интеллект (ИИ) не заменял учёных, а помогал им отбирать и ранжировать возможные мишени. Эксперты задавали критерии, проверяли результаты и проводили биологическую валидацию — то есть подтверждали, действительно ли выбранные белки подходят для дальнейшей разработки.
В работе использовали четыре открытых набора данных одно-клеточного секвенирования рибонуклеиновой кислоты (РНК) при раке кожи. Одно-клеточное секвенирование позволяет оценить, какие гены активны в отдельных клетках, а не только в усреднённой массе ткани. Это особенно важно для опухолей, где разные клетки могут сильно отличаться друг от друга.
Почему исследователи начали с рака кожи
Авторы выбрали рак кожи как модель для проверки системы. При меланоме уже показали эффективность некоторые иммунные подходы, включая ингибиторы иммунных контрольных точек и терапию опухоль-инфильтрирующими лимфоцитами. Опухоль-инфильтрирующие лимфоциты — это иммунные клетки, которые уже проникли в опухоль и могут быть использованы для лечения после лабораторного усиления.
Это делает рак кожи удобной областью для поиска новых клеточных методов: если удастся найти подходящую мишень, CAR-T-терапия теоретически может усилить уже существующее направление иммунотерапии.
Что такое GPNMB
Главным кандидатом стала молекула glycoprotein non-metastatic melanoma protein B (GPNMB), или гликопротеин B неметастатической меланомы. Это белок, который может присутствовать на поверхности некоторых опухолевых клеток.
После того как ИИ-система выделила GPNMB как приоритетную мишень, исследователи проверили её в лаборатории и создали CAR-T-клетки против этого белка. В доклинических моделях такие клетки показали выраженную противоопухолевую активность не только при меланоме, но и в моделях лейкоза и колоректального рака.
Важно, что речь пока идёт о доклиническом этапе. Это означает, что терапию проверяли в лабораторных условиях и на животных моделях, а не у пациентов.
Зачем нужны большие языковые модели
Ведущий автор работы Дэниел Бейкер (Daniel Baker) сравнил поиск хорошей мишени для CAR-T-терапии с поиском иголки в стоге сена, который постоянно растёт из-за появления новых данных секвенирования.
Большие языковые модели — это системы ИИ, способные обрабатывать и сопоставлять большие массивы текстовой и биологической информации. В этом исследовании они помогали просматривать широкий список из более чем 10 000 потенциальных мишеней. Чтобы снизить риск ошибок и «галлюцинаций» ИИ, то есть уверенных, но неверных ответов, моделирование повторяли независимо 1000 раз, а итоговый список передавали экспертам для проверки.
Почему открытые данные важны
Авторы подчёркивают, что система была построена на общедоступных наборах данных. Это может сделать поиск мишеней более доступным для лабораторий, у которых нет собственных крупных коллекций клинических образцов или ресурсов для масштабного секвенирования.
По словам Дэниела Бейкера (Daniel Baker), такой подход может «демократизировать» открытие новых мишеней: учёные смогут использовать уже опубликованные данные, а не начинать каждый проект с дорогостоящего сбора материала.
Что дальше
Один из авторов работы, пионер CAR-T-терапии Карл Джун (Carl June), отметил, что исследование показывает, как большие языковые модели можно применять в научном поиске новых терапевтических направлений. Золтан Арани (Zoltan Arany) связал результаты с более широким развитием ИИ, который помогает системно анализировать биоинформационные данные.
Среди соавторов также указан Сикандер Хаят (Sikander Hayat) из Медицинской школы Айкана при больнице Маунт-Синай (Icahn School of Medicine at Mount Sinai) и Рейнско-Вестфальского технического университета Ахена.
Исследовательская группа планирует применять эту схему к другим видам рака и заболеваниям, а также продолжить доработку CAR-T-клеток против GPNMB для возможных будущих клинических испытаний.
Что это значит для пациентов
Для пациентов это не означает появления нового лечения уже сейчас. Между успешными опытами на моделях и терапией, доступной в клинике, лежат этапы проверки безопасности, подбора доз, оценки побочных эффектов и клинических испытаний.
Но исследование важно по другой причине: оно предлагает более быстрый и воспроизводимый способ искать мишени для клеточной терапии. Если такой подход подтвердится, он может ускорить разработку CAR-T-терапии не только для опухолей крови, но и для солидных опухолей, где прогресс пока идёт медленнее.
Похожие попытки усилить CAR-T-терапию уже изучаются и другими путями: ранее МКБ-11 писал, что кетогенная диета может повысить эффективность терапии рака с использованием CAR-T, хотя такие подходы также требуют клинической проверки.
Исследование опубликовано в журнале Cell.
Литература
Baker D. J., et al. AI-driven discovery of GPNMB CAR T cells as a multi-cancer therapy // Cell. 2026. DOI: 10.1016/j.cell.2026.06.002.