Всем привет. В очередной раз хочу поблагодарить вас за актуальные вопросы к предыдущей статье, конструктивную критику и обратную связь.

В прошлый раз, играясь с клеточными автоматами Мордвинцева и пробуя ими управлять, мы выяснили, что после достижения цели роста локальные правила продолжают работать. Из-за этого система в основном разваливается по двум сценариям. Либо постепенное увядание, либо бесконтрольный рост, если её специально не учили поддерживать свою форму. Иными словами, это либо смерть от старости, либо смерть от рака.

Я понимаю, что такое сравнение, возможно, немного притянуто за уши, но для наших инженерных задач и общего понимания вполне годится.

К сожалению, вашему покорному слуге на очередном чекапе в январе этого года, при полном отсутствии каких-либо симптомов, пришлось столкнуться со вторым вариантом. Именно из-за этого и появилась эта обзорная статья.

И естественно, как любой инженер с повышенным уровнем тревожности, я сразу рассмотрел самые плохие сценарии и возможные варианты развития событий.

Сейчас сфера онкологии шагает уже десятимильными шагами. Появляются таргетные препараты, персонализированные вакцины, методы иммунной терапии, онколитические вирусы и много чего ещё. От довольно рискованных, вроде CAR-T-терапии, до менее опасных, например онколитических вирусов. Тем более персонализированное лечение начинает понемногу входить в программу ОМС, что может значительно продлить ремиссию или вовсе привести к стойкой ремиссии. (У онкологии нет классического понятия "выздоровление". Вместо него используют термин "стойкая ремиссия", который для большинства пациентов по сути означает то же самое.)

И как инженеру мне пришлось немного глубже погрузиться в суть вопроса, потому что помирать ещё не хочется. Вот и решил поделиться с вами, что такое мРНК-вакцины, убрать всю магию и показать, что при нынешнем развитии LLM и AI вполне реально разобраться в вычислительной части этой задачи.

Благо в конечном итоге по результатам ИГХ (иммуногистохимии) опухоль оказалась со стандартной мутацией в гене IDH1. (Хотя, естественно, морально я готовился к глиобластоме.) Поэтому лечение оказалось вполне стандартным и предсказуемым.

К счастью, весь этот пайплайн на практике мне не пригодился. Искренне надеюсь и желаю, чтобы не пригодился вообще никому.

Чем займемся?

Сегодня, как и в прошлый раз, пробежимся галопом по вычислительной части разработки персонализированных мРНК-вакцин против рака на примере глиобластомы дикого типа. Попробуем найти кандидатов для будущей вакцины, а затем по-инженерному соберём все данные в одну кучу и прогоним их через вычислительный конвейер.

Исходные данные

Основная проблема вычислительной биологии в том, что исторически здесь сформировалась настоящая солянка из форматов, баз данных, подходов и таблиц. Все эти данные между собой плохо согласованы, часто неполны, часть содержит пропуски, а часть вообще не нормализована. То есть основная проблема, как и в любом ML, заключается в исходных данных.

С появлением современных LLM/AI эта проблема постепенно становится менее актуальной. Большую часть рутины по согласованию форматов, поиску нужных данных, их нормализации и преобразованию модель берет на себя.

Не отменяет необходимости разбираться в предметной области. Если не понимать, что именно происходит, можно очень быстро получить красивую, но совершенно бессмысленную ерунду. Но качестве помощника LLM действительно способны сэкономить огромное количество времени. Во многих задачах именно такая рутинная подготовка данных может занимать до 80% всей работы.

Постановка задачи

Итак, есть опухоль. По своей сути это клон одной-единственной клетки, которая научилась бесконтрольно делиться, забирать себе ресурсы организма, обходить иммунитет, подстраивать под себя окружающие ткани и противодействовать лечению.

Для разработки персонализированного лечения можно пойти разными путями:

• найти конкретные поломки и воздействовать именно на них, разобравшись в сигнальных путях и намеренно запустив апоптоз (классические и таргетные препараты);

• научить иммунитет распознавать конкретную опухоль, отредактировав Т-клетки пациента (CAR-T. Метод мощный, но рискованный);

• научить "тренеров" иммунитета распознавать конкретную опухоль (дендритно-клеточные вакцины);

• использовать вирусы, которые изначально умеют взламывать клеточные механизмы, и перенаправить их на уничтожение опухоли (онколитические вирусы);

• найти специфические отличия между нормальными и опухолевыми клетками и повесить на опухолевые своеобразный "тег", чтобы иммунитет наконец начал их видеть (мРНК-вакцины);

• ну или придумать что-нибудь ещё. Современная онкология развивается настолько быстро, что новых подходов становится всё больше.

Исходные данные и пайплайн

Давайте займемся вычислительной частью мРНК-вакцины.

С первого взгляда схема может показаться монструозной и пугающей. Но на самом деле большая часть этой сложности связана не с биологией, а с исторически сложившимся зоопарком форматов данных, баз данных и программ, между которыми приходится постоянно преобразовывать информацию. Если отбросить всю эту техническую рутину, сама логика конвейера довольно проста и предсказуема.

Что нам надо по сути сделать:

• Сравнить ДНК опухоли и нормальных клеток. Опухолевую ткань обычно берут из парафинового блока после операции, а нормальную ДНК получают из крови пациента. После секвенирования короткие фрагменты сопоставляют с референсным геномом и находят мутации, присутствующие только в опухоли.

  Подробно разбирать этот этап мы не будем. Это отдельный мир со своими инструментами, форматами и правилами, который изучают в рамках дисциплины NGS.

Референсный геном человека (GRCh38) это собранная из данных людей эталонная последовательность ДНК, с которой сравнивают геном пациента для поиска мутаций.

• Найти мутации, присутствующие только в опухоли. После выравнивания специальный алгоритм сравнивает оба образца и формирует список отличий в формате VCF. На этом этапе отбрасываются наследственные варианты, а остаются только мутации, возникшие в опухолевых клетках.

• Понять, какие мутации действительно работают. Не все обнаруженные мутации используются опухолью. Поэтому результаты сравнивают с данными РНК-секвенирования и оставляют только те мутации, которые действительно экспрессируются.

• Определить HLA пациента. HLA это молекулы на поверхности клеток, которые показывают иммунной системе небольшие фрагменты белков. Поскольку набор HLA у каждого человека индивидуален, необходимо определить его тип, чтобы понять, какие фрагменты мутантных белков иммунная система сможет распознать.

• Найти неоантигены. Неоантигены это новые фрагменты белков, появившиеся из-за опухолевых мутаций. По сути, это тот самый "тег", который мы хотим подсветить иммунной системе со словами: "Вот чужак, его нужно уничтожить". Из тысяч возможных вариантов алгоритмы отбирают те, которые с наибольшей вероятностью будут замечены Т лимфоцитами.

Логичный вопрос. Откуда вообще мы знаем, что один неоантиген иммунная система заметит, а другой проигнорирует? За последние десятилетия исследователи накопили огромную базу экспериментальных данных о том, какие фрагменты белков действительно связываются с различными вариантами HLA. Значительная часть этих результатов собрана в базе IEDB. На этих данных были обучены современные алгоритмы, которые позволяют с высокой вероятностью предсказывать связывание без необходимости проверять каждую комбинацию в лаборатории.

Что получаем на выходе

После всех фильтров вместо десятков тысяч мутаций у нас остается небольшой список наиболее перспективных кандидатов. Для каждого из них мы уже знаем:

• последовательность неоантигена;

• какая мутация его породила;

• насколько хорошо он, вероятно, будет связываться с HLA пациента;

• экспрессируется ли соответствующий ген в опухоли.

Этот список становится отправной точкой для разработки персонализированной мРНК-вакцины.

На этом вычислительная часть заканчивается. Мы сузили поиск с десятков тысяч возможных вариантов до нескольких десятков наиболее вероятных целей для иммунной системы.

Что дальше?

Следующая задача состоит в том, чтобы превратить набор наиболее перспективных неоантигенов в инструкцию, которую смогут прочитать клетки пациента.

Несколько фрагментов обычно объединяют в одну конструкцию, после чего подбирают соответствующую последовательность нуклеотидов и добавляют служебные элементы, необходимые для стабильности мРНК и ее нормального считывания клеткой.

Затем по подготовленной ДНК-матрице синтезируют мРНК в лаборатории, переводя список опухолевых мишеней обратно на язык генетической инструкции.

Основная задача вакцины состоит в том, чтобы добраться до клеток иммунной системы, прежде всего до дендритных клеток.

Дендритная клетка захватывает липидную частицу, освобождает мРНК и считывает записанную в ней инструкцию. Она начинает производить закодированные опухолевые белковые фрагменты. Затем расщепляет их и выставляет получившиеся неоантигены на своей поверхности в комплексе с HLA. Так дендритная клетка показывает Т-лимфоцитам образец цели, которую им предстоит искать.

Т-лимфоциты активируются, размножаются и расходятся по организму. Если они встречают опухолевую клетку, которая демонстрирует на HLA тот же неоантиген, то распознают ее как цель и пытаются уничтожить. Часть активированных клеток может сохраниться в виде клеток памяти, поддерживая более длительный иммунный ответ.

Выводы

Мы по верхам разобрали, как устроен вычислительный пайплайн персонализированной мРНК-вакцины. В реальности каждый из этапов это отдельная большая область знаний, в которую люди уходят на годы. Но я надеюсь, что хотя бы общая картина теперь стала понятнее.

Напоследок хочется сказать несколько вещей.

1. Не забивайте на свое здоровье. Обследования реально могут спасти жизнь. Большинство болезней на ранних стадиях сегодня лечатся намного лучше, чем многие думают.

2. Технологии в развиваются с сумасшедшей скоростью. Еще десять лет назад персонализированные мРНК-вакцины казались чем-то из научной фантастики, а сегодня уже идут клинические исследования и появляются результаты.

3. LLM и AI сильно снижают порог входа и позволяют инженерам быстрее разобраться в теме и начать делать что-то действительно полезное, а не месяцами воевать с терминологией или согласованием данных.

4. Персонализированная мРНК-вакцина это не серебряная пуля. Но это одно из самых интересных направлений, которое сейчас развивается, особенно в комбинации с другими методами лечения.

Ну и последнее. Это уже мое субъективное мнение. Ближайшие годы медицина все больше будет уходить в сторону персонализированных подходов. Лечение, которое собирается под конкретного пациента.

Ссылка на пайплайн: https://github.com/muzykantov/personalized-vaccine-pipeline