Inżynieria cech multi-omicznych napędzana przez biomedyczne modele bazowe poprawia przewidywanie odpowiedzi na leki u pacjentów z chorobami zapalnymi jelit

Dlaczego te badania mają znaczenie dla pacjentów

Osoby z chorobami zapalnymi jelit (IBD) często przechodzą frustrujący proces prób i błędów przy rozpoczynaniu nowych leków. Ten sam lek może u jednej osoby złagodzić silne zapalenie jelit, podczas gdy u innej przynosi niewielką poprawę. W badaniu tym sprawdzono, jak potężne nowe modele sztucznej inteligencji (AI), pierwotnie stworzone do zrozumienia biologii na ogromną skalę, można wykorzystać do wydobycia znacznie większej liczby informacji z niewielkich zestawów danych pacjentów. Cel jest prosty, lecz ambitny: wykorzystać profil genetyczny i molekularny każdej osoby, aby wcześniej przewidzieć, jak dobrze zareaguje na powszechny lek stosowany w IBD.

Wykorzystanie dużej AI do wsparcia małych badań

Tradycyjne narzędzia medycznej AI mają trudności, gdy liczba pacjentów jest niewielka, nawet jeśli każdy pacjent jest dogłębnie zbadany. W tej pracy badacze odwracają ten problem na korzyść, czerpiąc wiedzę z ogromnego „modelu bazowego” o nazwie MAMMAL, pierwotnie trenowanego na obszernej kolekcji danych o białkach i lekach. Zamiast trenować ten model od nowa, używają go jako inteligentnego kalkulatora do oszacowania, jak silnie dany lek wiąże się z tysiącami białek ludzkich. Wyniki tych ocen siły wiązania stają się następnie nowymi, bogatymi w informację cechami, które można wprowadzić do bardziej oszczędnych modeli uczenia maszynowego dostosowanych do 51 pacjentów z IBD w tym badaniu.

Wgląd w jelito: DNA i RNA

Zespół pracował z próbkami tkanki pobranymi z zapalnych odcinków jelit osób z wrzodziejącym zapaleniem jelita grubego lub chorobą Crohna. Z każdej próbki mierzono dwie główne warstwy biologii: DNA, koncentrując się na niewielkich zmianach genetycznych zwanych SNP, oraz RNA, które odzwierciedla aktywność genów w tkance. Dodatkowo eksponowano tkankę na prednizolon, standardowy steroid pierwszego rzutu w IBD, i mierzono, o ile spadł poziom kluczowego sygnału zapalnego zwanego TNFα w odpowiedzi. Zmiana TNFα służyła jako wskaźnik, jak dobrze tkanka danego pacjenta zareagowała na lek. Wyzwanie polegało na powiązaniu tysięcy pomiarów genetycznych i molekularnych z tym wynikiem odpowiedzi na lek.

Nauczanie modeli, na co zwracać uwagę

Pierwszym krokiem było określenie, których białek i genów modele powinny najbardziej uwzględniać. Korzystając z modelu bazowego, badacze oszacowali, jak mocno prednizolon wiązałby się z ponad 11 000 białek ludzkich, a następnie skupili się na 5 procentach z najsilniejszym przewidywanym wiązaniem. Co zachęcające, krótsza lista obejmowała znane cele leku oraz białka zaangażowane w wykrywanie i przekazywanie sygnałów chemicznych, co sugeruje, że klasyfikacja AI miała sens biologiczny. Następnie połączyli tę listę ze zmianami DNA każdego pacjenta, tworząc spersonalizowane „zmienione” sekwencje białek i obliczając na nowo, jak każda mutacja może nieco wzmocnić lub osłabić wiązanie prednizolonu. Te przewidywane przesunięcia siły wiązania stały się zwarte, specyficzne dla pacjenta cechy, wychwytujące, jak warianty w kluczowych białkach mogą zmieniać działanie leku.

Łączenie sygnałów genetycznych z aktywnością genów

Następnie zespół dodał aktywność genów z pomiarów RNA, pobranych z tej samej tkanki jelitowej użytej w testach leków. Dla każdego priorytetowego białka sparowali przewidywaną siłę wiązania z aktywnością odpowiadającego mu genu, a także pomnożyli te dwie wartości, tworząc „stan interakcji”, który odzwierciedla zarówno to, jak silnie oczekuje się, że lek się zwiąże, jak i ile celu jest obecne. Modele uczenia maszynowego trenowane na tych wzbogaconych cechach lepiej rozróżniały próbki, które dobrze odpowiedziały na prednizolon, od tych, które nie odpowiedziały, w porównaniu z modelami używającymi bardziej podstawowych reprezentacji tych samych danych DNA. Niektóre z najbardziej wpływowych cech wskazywały na rodziny receptorów związanych z węchem oraz receptor zaangażowany w uspokajający sygnał mózgowy GABA, sugerując niedoceniane role tych białek w zapaleniu jelit i odpowiedzi na steroidy.

Ułatwienie użycia złożonych narzędzi dla nieekspertów

Poza biologią, badacze zajęli się także barierą praktyczną: większość laboratoriów nie dysponuje umiejętnościami informatycznymi potrzebnymi do uruchamiania dużych modeli bazowych. Aby to rozwiązać, opakowali swój przepływ pracy oceny powinowactwa wiązania w otwarty serwer Model Context Protocol (MCP), który można wywołać bezpośrednio przez asystentów AI, takich jak Claude czy ChatGPT. Dzięki temu naukowiec może w prostym języku poprosić o przewidywane wiązanie między lekiem a zestawem białek, a system cicho wykona techniczne kroki w tle. To obniża próg wejścia dla innych, którzy chcieliby zbadać podobne, spersonalizowane pytania o odpowiedź na lek, używając własnych danych.

Co to oznacza dla przyszłych wyborów leczenia

Mówiąc prosto, ta praca pokazuje, jak pojedynczy, potężny model AI trenowany na ogromnych, publicznych zbiorach danych może pomóc małym, rzeczywistym badaniom pacjentów przewyższyć swoje możliwości. Przekształcając surowe zmiany DNA i aktywność genów w bogatsze, świadome biologicznie cechy, autorzy poprawili dokładność modeli przewidujących, kto prawdopodobnie skorzysta z prednizolonu. Wyniki są wciąż wczesne i oparte na ograniczonej liczbie pacjentów, więc konkretne powiązania gen–lek wymagają dalszych testów. Jednak ogólna strategia — używanie modeli bazowych jako inteligentnych generatorów cech i udostępnianie ich przez proste interfejsy — wskazuje na przyszłość, w której lekarze mogliby używać wielowarstwowych testów molekularnych, interpretowanych przez AI, aby dobrać odpowiedni lek i dawkę dla każdej osoby z IBD.

Cytowanie: Gardiner, LJ., Kelly, J., Evans, A. et al. Multi-omics feature engineering driven by biomedical foundation models improves drug response prediction for inflammatory bowel disease patients. Sci Rep 16, 13820 (2026). https://doi.org/10.1038/s41598-026-44366-y

Słowa kluczowe: choroba zapalna jelit, przewidywanie odpowiedzi na leki, biomedyczne modele bazowe, multi-omika, medycyna spersonalizowana