Kinic-index: een door kunstmatige intelligentie aangedreven voorspellend model en multitarget-kader voor geneesmiddelontdekking bij patiënten met hepatocellulair carcinoom

Waarom dit onderzoek ertoe doet

Leverkanker behoort wereldwijd tot de dodelijkste vormen van kanker, deels omdat tumoren sterk van patiënt tot patiënt verschillen en vaak resistent zijn tegen bestaande geneesmiddelen. Deze studie introduceert een nieuwe manier om leverkankerpatiënten in risicogroepen te classificeren en tegelijkertijd naar nieuwe behandelingen te zoeken die zijn afgestemd op hun ziekte. Met geavanceerde kunstmatige intelligentie (AI) bouwden de onderzoekers een instrument genaamd de Kinic‑index dat subtiele chemische aanduidingen op eiwitten koppelt aan overleving van patiënten en aan veelbelovende geneesmiddeldoelen.

Een nieuwe chemische markering met grote gevolgen

In de afgelopen jaren ontdekten wetenschappers een nieuw soort chemische tag op eiwitten in levercellen, genoemd isonicotinylatie. Deze kleine markeringen kunnen veranderen hoe DNA is verpakt en hoe kankergenen aan- of uitgezet worden. Het team verzamelde grote datasets van honderden levertumoren en gezonde leverweefsels en zocht naar genen waarvan de activiteit samenhangt met deze nieuwe modificatie. Ze identificeerden tientallen zulke genen en toonden aan dat veel ervan actief zijn in biologische routes die regelen hoe cellen vetten, geneesmiddelen en andere chemicaliën verwerken, evenals processen die de groei en uitzaaiing van kanker controleren.

Patiënten indelen in hoog- en laagrisico

Om deze bevindingen klinisch bruikbaar te maken, gebruikten de wetenschappers machine learning om leverkankerpatiënten te groeperen op basis van de activiteit van isonicotinylatie‑gerelateerde genen. Er kwamen twee hoofdsubgroepen naar voren. Eén subgroep vertoonde sterkere activiteit van bepaalde genen en had duidelijk slechtere totale overleving. Deze hoogrisicogroep had ook kenmerken van een agressievere tumoromgeving: snellere celdeling, grotere genetische instabiliteit en een immuunsamenstelling die suggereert dat tumoren de afweer van het lichaam kunnen ontlopen. De andere subgroep toonde meer actieve ontgiftings- en metabole routes en had betere uitkomsten, wat erop wijst dat deze moleculaire patronen artsen kunnen helpen voorspellen hoe patiënten het zullen doen.

Een AI‑score die twee sleutelgenen belicht

Voortbouwend op deze patronen creëerden de onderzoekers de Kinic‑index, een AI‑gestuurde score die meerdere machine‑learningmethoden combineert om het overlijdensrisico van een patiënt te voorspellen. Ze testten meer dan honderd modelcombinaties en kozen degene die het beste presteerde in zowel een grote kankerdatabase als in een onafhankelijke patiëntencohort. De score bleek een sterke en onafhankelijke voorspeller van overleving, zelfs na correctie voor leeftijd en tumorstadium. Belangrijk is dat een techniek genaamd SHAP, die verklaart hoe AI‑modellen beslissingen nemen, twee genen — CYP2C9 en G6PD — als meest invloedrijk aanwees. Single‑cell en ruimtelijke analyses toonden aan dat beide genen vooral actief zijn in kwaadaardige levercellen met een hoge uitzaaiingspotentie, en dat hun activiteit nauw samenhangt met hoe tumoren interactie hebben met nabijgelegen immuun- en ondersteunende cellen.

Van risicoscores naar kandidaat‑geneesmiddelen

De studie bleef niet bij prognose. Het team gebruikte een deep‑learningkader genaamd GraphBAN om meer dan 200.000 chemische verbindingen te screenen op hun vermogen om te binden aan CYP2C9 en G6PD. Vervolgens pasten ze een AI‑hulpmiddel toe dat voorspelt hoe goed een verbinding wordt opgenomen, verwerkt en verdragen in het lichaam, waardoor de lijst werd teruggebracht tot slechts een handvol geneesmiddelachtige moleculen. Computersimulaties van docken suggereerden dat twee kandidaten, elk gericht op één van de sleutelproteïnen, nauwkeurig in zeer gunstige pockets van hun doelen passen en in de tijd stabiele complexen vormen. Deze resultaten bieden concrete uitgangspunten voor nieuwe geneesmiddelen die de metabole zwakke plekken van levertumoren, zoals door de Kinic‑index aangegeven, proberen te verstoren.

Wat dit betekent voor toekomstige zorg

Kort gezegd laat dit werk zien hoe AI drie cruciale stappen in de moderne kankerzorg kan verbinden: begrijpen hoe een nieuwe eiwitmarkering het tumorgedrag vormt, die kennis omzetten in een risicoscore die kwetsbare patiënten scheidt van meer stabiele patiënten, en snel nieuwe kandidaat‑geneesmiddelen identificeren die de juiste moleculaire doelen raken. Indien bevestigd in vervolgonderzoek en klinische trials, zou de Kinic‑index artsen kunnen helpen leverkankerpatiënten te identificeren die intensievere behandeling nodig hebben, therapieën te selecteren die passen bij de biologie van hun tumor, en de ontwikkeling van multitargetmiddelen te sturen die resistentie voorspellen en tegengaan.

Bronvermelding: Zhou, J., Jiang, Y., Yu, M. et al. Kinic index: an artificial intelligence-driven predictive model and multitarget drug discovery framework for hepatocellular carcinoma patients. npj Precis. Onc. 10, 132 (2026). https://doi.org/10.1038/s41698-026-01324-1

Trefwoorden: hepatocellulair carcinoom, precisie-oncologie, kunstmatige intelligentie, epigenetische modificatie, geneesmiddelontdekking