🧬 biology

PerturbRx: Learning Treatment-Conditioned Latent Transitions for Patient Drug Response Prediction

PerturbRx è un framework innovativo che predice le risposte ai farmaci oncologici a livello di paziente apprendendo e trasferendo transizioni molecolari condizionate dal trattamento dai dati a singola cellula ai profili pre-trattamento dei pazienti, superando efficacementamente la scarsità di dati e l'eterogeneità tumorale per raggiungere prestazioni predittive superiori.

Autori originali: Yoshitaka Inoue, Minoh Jeong, Alfred Hero, Rui Kuang, Augustin Luna

Pubblicato 2026-08-24

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Yoshitaka Inoue, Minoh Jeong, Alfred Hero, Rui Kuang, Augustin Luna

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

Prevedere come un determinato paziente oncologico risponderà a un determinato farmaco è una delle sfide più difficili della medicina moderna. I tumori non sono blocchi di tessuto uniformi; sono ecosistemi complessi e mutevoli di cellule che variano enormemente da persona a persona. A causa di questa diversità biologica, un trattamento che fa miracoli per un individuo potrebbe fallire completamente per un altro. Attualmente, i medici si affidano spesso a medie statistiche generali o a test preclinici eseguiti in piastre di Petri, ma questi metodi faticano a catturare la realtà molecolare unica del tumore di un paziente. Il problema fondamentale è che raramente disponiamo dei dati per vedere cosa accade all'interno del corpo di un paziente dopo che ha iniziato a assumere un medicinale. Possiamo vedere il tumore prima del trattamento e possiamo vedere l'esito in seguito, ma il cruciale punto intermedio — i cambiamenti molecolari effettivi che il farmaco innesca all'interno delle cellule del paziente — rimane invisibile.

Per colmare questo divario, i ricercatori si sono rivolti a enormi librerie di dati a singola cellula, che fungono da mappa dettagliata di come le cellule reagiscono a varie interazioni chimiche in un ambiente di laboratorio controllato. Queste mappe mostrano come gruppi di cellule cambino i loro stati interni quando esposti a diversi farmaci e dosaggi. Tuttavia, una singola cellula in una piastra non è la stessa cosa di un tumore in un corpo umano. Il nuovo approccio descritto in questa ricerca, chiamato PerturbRx, tenta di utilizzare queste mappe di laboratorio per prevedere gli esiti nel mondo reale senza dover attendere che il paziente venga trattato per primo. L'obiettivo è apprendere le "regole" di come i farmaci spostano le cellule da uno stato sano a uno stato trattato in laboratorio, e poi applicare quelle regole al profilo pre-trattamento di un paziente per prevedere se il farmaco funzionerà.

I ricercatori hanno sviluppato un sistema in due fasi per risolvere questo enigma. Per prima cosa, hanno addestrato un modello computazionale su un enorme dataset contenente oltre cento milioni di profili a singola cellula provenienti da esperimenti di laboratorio. In questi esperimenti, gli scienziati avevano trattato le cellule con vari farmaci a diverse intensità, ma non avevano tracciato la stessa singola cella prima e dopo il trattamento. Invece, hanno confrontato lo stato medio di un gruppo di cellule non trattate con lo stato medio di un gruppo di cellule trattate. Il modello ha imparato a prevedere lo specifico spostamento, o transizione, che un farmaco provoca nella chimica interna di una cellula. Ha imparato non solo come appare il farmaco, ma come quel farmaco cambia il comportamento della cellula in base alla condizione iniziale della cellula e al dosaggio del farmaco.

Una volta che il modello ha appreso queste regole del cambiamento cellulare, i ricercatori hanno "congelato" tale conoscenza e l'hanno applicata ai pazienti umani. Hanno preso i profili genetici pre-trattamento di pazienti affetti da cancro e hanno chiesto al modello di prevedere cosa sarebbe successo se a quei pazienti specifici fosse stato somministrato un determinato farmaco. Il modello non aveva bisogno di vedere il paziente dopo il trattamento; ha semplicemente calcolato lo spostamento molecolare previsto che il farmaco avrebbe causato in quel particolare paziente. Questo spostamento previsto è stato poi combinato con i dati originali del paziente e la firma chimica del farmaco per prevedere l'esito del trattamento. Il sistema simula essenzialmente l'effetto del farmaco nel contesto biologico unico del paziente, utilizzando i modelli appresi da milioni di cellule di laboratorio.

Il team ha testato questo metodo su tre diversi set di dati che coinvolgevano centinaia di pazienti e decine di farmaci. In ogni caso, l'aggiunta dello spostamento indotto dal farmaco previsto ai dati standard del paziente ha migliorato l'accuratezza delle previsioni. Il sistema ha superato i metodi esistenti che si basano solo su istantanee statiche del tumore del paziente o su semplici confronti della chimica del farmaco. Ad esempio, in un grande dataset di record di pazienti, il nuovo metodo ha identificato correttamente le risposte al trattamento più spesso di qualsiasi altro approccio testato. I ricercatori hanno scoperto che i cambiamenti previsti non erano semplice rumore casuale; essi portavano con sé informazioni specifiche su se un paziente avrebbe risposto a una terapia. Infatti, il modello ha appreso che la direzione e l'entità del cambiamento molecolare previsto contavano più del semplice indovinare l'aspetto del tumore dopo il trattamento.

Tuttavia, lo studio ha anche rivelato che questo approccio non è una cura universale. Il beneficio dell'uso di questi spostamenti previsti variava significativamente a seconda del farmaco specifico e del tipo di cancro. Per alcuni trattamenti, la previsione del cambiamento cellulare del modello forniva una enorme spinta all'accuratezza, mentre per altri l'miglioramento era piccolo o addirittura inesistente. I ricercatori hanno scoperto che il successo del metodo non dipendeva esclusivamente da quanto il farmaco fosse chimicamente simile ai farmaci utilizzati nei dati di addestramento in laboratorio. Anche i farmaci che non erano corrispondenze esatte nel set di addestramento potevano beneficiare del sistema, a condizione che il modello potesse apprendere il modello generale di come quella classe di farmaci influenzi le cellule. Ciò suggerisce che il sistema stia imparando una logica biologica più profonda piuttosto che limitarsi a memorizzare le strutture chimiche.

Lo studio conclude che apprendere come i trattamenti alterino gli stati molecolari è uno strumento potente per prevedere gli esiti dei pazienti, anche quando non possiamo misurare direttamente tali cambiamenti nel paziente. Addestrandosi su vasti dati di laboratorio e trasferendo poi tale conoscenza ai pazienti umani, i ricercatori hanno creato un quadro che può anticipare gli effetti di un farmaco prima ancora che venga somministrato. Sebbene il metodo affronti ancora delle sfide, in particolare con i farmaci che hanno pochissimi risponditori o dati limitati, esso offre un modo promettente per personalizzare le cure oncologiche. Il lavoro suggerisce che il futuro della previsione dei farmaci non risiede solo nel guardare chi è il paziente o cos'è il farmaco, ma nel comprendere il viaggio dinamico che il farmaco compie attraverso le cellule del paziente.

Sintesi Tecnica: PerturbRx

Definizione del Problema

La previsione della risposta al trattamento oncologico a livello di paziente è ostacolata dalla scarsità di etichette di risposta clinica e dall'eterogeneità molecolare dei tumori. I metodi esistenti trasferiscono informazioni da screening su linee cellulari tumorali su larga scala ai dati dei pazienti, facendo affidamento su profili molecolari pre-trattamento e rappresentazioni dei farmaci statiche. Un limite critico di questi approcci è che non modellano esplicitamente i cambiamenti molecolari previsti sotto il trattamento. Sebbene la risposta al trattamento possa dipendere dalla direzione e dall'entità delle variazioni indotte dall'intervento, apprendere direttamente tali cambiamenti dai pazienti è difficile perché i profili molecolari accoppiati pre- e post-trattamento sono raramente disponibili su larga scala. Sebbene gli atlanti di perturbazione a singola cellula forniscano prove a livello di popolazione dei cambiamenti di stato, le singole cellule non sono accoppiate prima e dopo il trattamento, rendendo difficile apprendere le transizioni indotte dall'intervento per specifiche coppie paziente-farmaco.

Metodologia: PerturbRx

PerturbRx è un framework di apprendimento di rappresentazioni condizionato al trattamento, progettato per apprendere transizioni latenti indotte dall'intervento e utilizzarle come caratteristiche per la previsione della risposta paziente-farmaco. Il framework opera in due fasi distinte:

1. Fase Sorgente (Source-Stage): Apprendimento dei Predittori di Transizione

Il modello apprende un predittore di transizione condizionato al farmaco e alla dose da popolazioni di controllo e trattate, non accoppiate ma con contesto corrispondente (derivate dall'atlante Tahoe-100M).

Input: Popolazioni di controllo (DMSO) e popolazioni trattate (farmaco $d$ , dose $q$ ) dallo stesso contesto di linea cellulare e piastra.
Embedding: I profili cellulari sono incorporati in uno spazio latente congelato tramite scFoundation. I farmaci sono codificati tramite ChemBERTa (SMILES) combinato con la dose trasformata in logaritmo.
Architettura: Un encoder di intervento $g$ mappa il farmaco e la dose in un embedding di intervento $\alpha_u$ . Un predittore di transizione $P_\theta$ mappa lo stato latente di una cellula di controllo $z_X$ e l'embedding dell'intervento in un vettore di transizione predetto $\hat{\Delta}$ .
Obiettivo: Il predittore è addestrato per corrispondere alla distribuzione della popolazione trattata osservata pur preservando la transizione a livello di popolazione. La funzione di perdita ( $L_{src}$ $L_{sr c}$ ) combina:
- Allineamento Distribuionale: Discrepanza della Media Massima (MMD) tra le popolazioni predette e quelle osservate.
- Vincoli di Transizione: Similarità del coseno (direzione), Errore Quadratico Medio (spostamento) e vincoli di norma (entità) tra la transizione della popolazione predetta ( $\hat{\Delta}_{c,u}$ ) e la transizione empirica ( $\Delta_{c,u}$ ).

2. Fase Target (Target-Stage): Trasferimento alla Previsione della Risposta del Paziente

Il predittore appreso viene congelato e trasferito al dominio del paziente per generare caratteristiche per la previsione della risposta senza richiedere misurazioni post-trattamento.

Input: Il profilo di RNA-seq bulk pre-trattamento di un paziente ( $p$ ) e un farmaco candidato ( $d$ ).
Processo: L'encoder scFoundation congelato genera l'embedding del paziente $z_p$ . Il predittore di transizione congelato $P_\theta$ genera una caratteristica di transizione specifica per il paziente $\hat{\Delta}_{p,u}$ basata su $z_p$ e l'embedding dell'intervento farmaco/dose.
Previsione: Una testa di risposta $h_\psi$ predice l'etichetta di risposta binaria utilizzando le caratteristiche concatenate: $[z_p; m_d; \hat{\Delta}_{p,u}]$ , dove $m_d$ è l'embedding del farmaco.
Addestramento: Solo la testa di risposta viene addestrata sulle etichette di risposta nel dominio target; il predittore di transizione rimane congelato.

Contributi Chiave

Formulazione: Gli autori formulano la previsione della risposta farmaco-paziente utilizzando transizioni latenti indotte dalla perturbazione pre-addestrate, sviluppando un framework induttivo in due fasi che genera rappresentazioni di transizione per pazienti e farmaci non visti senza richiedere profili post-trattamento nel dominio target.
Performance su TCGA: Su un benchmark TCGA a paziente tenuto fuori (held-out-patient) controllato (TCGA-186), l'integrazione delle caratteristiche paziente-farmaco con le caratteristiche di transizione pre-addestrate ha migliorato la performance predittiva media rispetto alle rappresentazioni statiche, agli stati post-intervento predetti e a vari controlli (transizioni rimescolate, predittori congelati casuali).
Trasferimento Cross-Domain: In una coorte indipendente di modelli derivati da pazienti (PDX), il predittore di transizione congelato si è trasferito con successo sotto una valutazione disgiunta dal modello, superando quattro baseline stabilite (CODE-AE, TransDRP, DeepSADR, WISER) su un benchmark condiviso di 10 farmaci.
Approfondimenti dall'Ablazione: Lo studio dimostra che il guadagno predittivo è specifico per la rappresentazione di transizione pre-addestrata e la corrispondenza tra il paziente e la transizione, piuttosto che derivare semplicemente dall'aggiunta di dimensionalità delle caratteristiche o dalla predizione di uno stato post-trattamento statico.

Risultati

Allineamento nella Fase Sorgente: PerturbRx ha ottenuto un allineamento superiore (MMD = 0,0682) e una predizione di transizione (coseno = 0,6715) rispetto alle baseline, inclusi regressione lineare, MLP e autoencoder condizionati, su condizioni a singola cellula tenute fuori.
TCGA-186: PerturbRx ha raggiunto l'AUROC aggregata più elevata (0,626) e l'AUPRC più elevata (0,600). Gli studi di ablazione hanno mostrato che l'aggiunta della caratteristica di transizione ha aumentato l'AUROC da 0,581 (Paziente + Farmaco) a 0,626.
TCGA-508: In una valutazione più ampia raggruppata per pazienti, PerturbRx ha raggiunto un'AUROC di 0,692 e un'AUPRC di 0,787. L'analisi della geometria della transizione predetta ha suggerito che i responder esibevano magnitudo di transizione media predetta minori rispetto ai non-responder, sebbene questo pattern mostrasse eterogeneità tra le coorti.
Benchmark PDX: PerturbRx ha ottenuto l'AUROC aggregata più alta (0,669) e l'AUPRC più alta (0,608) sul benchmark condiviso di 10 farmaci. La performance variava per farmaco; ad esempio, PerturbRx eccelleva su Erlotinib e Trametinib ma era inferiore a baseline per Ruxolitinib e Tamoxifen.
Eterogeneità: L'utilità della caratteristica di transizione non è stata uniforme per tutti i farmaci o le coorti. Nel PDX, il beneficio non è stato costantemente spiegato dalla similarità chimica tra il farmaco target e l'atlante di perturbazione sorgente. Tuttavia, è stata osservata un'associazione positiva tra l'utilità della transizione e la frazione di responder osservata nella coorte PDX.

Significato e Rivendicazioni

L'articolo sostiene che le transizioni latenti pre-addestrate alla perturbazione servono come rappresentazioni utili per la previsione della risposta ai farmaci a livello di paziente, offrendo informazioni che vanno oltre le caratteristiche statiche di base del paziente e del farmaco. Separando l'apprendimento di come i trattamenti alterano gli stati molecolari (nel dominio sorgente) dall'apprendimento di quali alterazioni si associano alla risposta clinica (nel dominio target), PerturbRx affronta la scarsità di dati relativi ai profili pre- e post-trattamento accoppiati.

Gli autori sottolineano che il loro obiettivo non è la ricostruzione degli stati cellulari post-perturbazione, ma piuttosto l'utilità dello spostamento predetto come caratteristica predittiva. Riconoscono i limiti, tra cui la natura retrospettiva dei benchmark target, lo shift di dominio tra i dati a singola cellula della sorgente e i dati bulk del target tumorale, e l'eterogeneità dell'utilità della transizione tra i diversi farmaci. Concludono che, sebbene la copertura chimica della sorgente da sola non sia sufficiente a predire il successo del trasferimento, il framework fornisce un meccanismo robusto per sfruttare gli atlanti di perturbazione su larga scala per migliorare la previsione della risposta al trattamento in assenza di dati post-trattamento dei pazienti.