APOLLO11: model oparty na danych biologicznych dla badań klinicznych i translacyjnych w raku płuca

Dlaczego to ma znaczenie dla osób z rakiem płuca

Leczenie raka płuca zmieniło się dramatycznie w ostatniej dekadzie dzięki immunoterapii i lekom ukierunkowanym, jednak wielu pacjentów wciąż nie odnosi korzyści z tych osiągnięć. Niniejszy artykuł opisuje APOLLO11, ogólnokrajową włoską inicjatywę mającą na celu systematyczne gromadzenie danych z rzeczywistej praktyki oraz próbek biologicznych od pacjentów z rakiem płuca i wykorzystanie sztucznej inteligencji do zrozumienia, kto zareaguje na które leczenie. Dla pacjentów i rodzin wskazuje to przyszłość, w której wybór terapii będzie opierał się na dogłębnej analizie guza i układu odpornościowego konkretnej osoby, zamiast na metodzie prób i błędów.

Od uniwersalnego podejścia do opieki kierowanej danymi

Autorzy wyjaśniają, że pomimo silnych nowych leków około połowa pacjentów z zaawansowanym rakiem płuca albo w ogóle nie reaguje, albo szybko nabywa oporność. Dziś stosowane testy krwi i tkanki są zbyt prymitywne, by wiarygodnie przewidywać korzyści z immunoterapii lub terapii ukierunkowanych. Tradycyjne badania kliniczne, które testują jedną hipotezę na raz w ściśle wyselekcjonowanych pacjentach, nie nadążają za szybkim pojawianiem się nowych leków i kombinacji. APOLLO11 powstało, by wypełnić tę lukę poprzez zbudowanie długoterminowego, ciągle aktualizowanego zasobu łączącego rutynowe informacje kliniczne, skany, badania laboratoryjne i zaawansowane pomiary biologiczne od tysięcy pacjentów leczonych w codziennej praktyce we Włoszech.

Budowanie ogólnokrajowej sieci uczącej się

Projekt łączy dziesiątki szpitali zorganizowanych w system „hub-and-spoke”: duże ośrodki onkologiczne i szpitale uniwersyteckie współpracują z mniejszymi szpitalami regionalnymi. Każde miejsce rejestruje ustandaryzowane informacje przy użyciu bezpiecznej platformy elektronicznej i, jeśli to możliwe, przechowuje próbki biologiczne, takie jak tkanka nowotworowa, krew i kał w lokalnych zamrażarkach. Zamiast wysyłać wszystko do jednego magazynu, ośrodki zachowują materiał na miejscu, podczas gdy zespół centralny śledzi, co istnieje i gdzie się znajduje. Taka struktura umożliwia mniejszym szpitalom, które opiekują się wieloma pacjentami, lecz mogą nie mieć zaplecza badawczego, istotny wkład i pomaga zapewnić, że dane odzwierciedlają rzeczywistą różnorodność osób żyjących z rakiem płuca w całym kraju.

Śledzenie choroby od obrazów do komórek

APOLLO11 gromadzi kilka warstw informacji o każdym uczestniczącym pacjencie, który otrzymuje „innowacyjne” leczenie (w istocie dowolną nowoczesną terapię inną niż starsza chemioterapia). Dane kliniczne obejmują wiek, stopień zaawansowania choroby, otrzymane terapie, działania niepożądane i przeżycie. Dane obrazowe obejmują tomografię komputerową (CT), rezonans magnetyczny (MRI) i skany PET w kluczowych punktach czasowych, które są analizowane metodami „radiomiki”, przekształcającymi subtelne wzorce na obrazach w tysiące cech ilościowych. Próbki biologiczne służą do badania DNA guza, aktywności genów, białek, metabolitów, komórek układu odpornościowego, a nawet mikroorganizmów zamieszkujących jelita i jamę ustną. U niektórych pacjentów komórki odpornościowe są badane pojedynczo za pomocą sekwencjonowania pojedynczych komórek, aby ujawnić drobne zachowania limfocytów T, neutrofili i innych elementów, które mogą kształtować odpowiedź na immunoterapię.

Uczenie komputerów rozpoznawania wzorców leczenia

Ponieważ żaden pojedynczy test nie potrafi uchwycić pełnej złożoności nowotworu, APOLLO11 planuje połączenie wszystkich tych typów danych za pomocą uczenia maszynowego. Zamiast wysyłać wrażliwe surowe dane na jeden centralny serwer, wiele analiz będzie korzystać z „uczenia federacyjnego”, w którym każdy szpital trenuje lokalny model i udostępnia jedynie aktualizacje modelu, a nie zapisy indywidualnych pacjentów. Końcowe algorytmy zostaną zaprojektowane tak, by były wyjaśnialne: narzędzia pokażą, które cechy — takie jak konkretne wzorce komórek odpornościowych, cechy obrazu skanu czy zmiany genetyczne — wpływają na predykcję dla konkretnego pacjenta. Wczesne prace w ramach konsorcjum już badają, jak profile komórek odpornościowych we krwi korelują z wynikami immunoterapii w zaawansowanym niedrobnokomórkowym raku płuca.

Dzielenie się wiedzą przy ochronie prywatności

Sieć jest także platformą dla przyszłych pytań naukowych. Badacze z uczestniczących ośrodków, a nawet spoza konsorcjum, mogą zgłaszać propozycje badań. Komitet sterujący ocenia każdą propozycję pod kątem znaczenia klinicznego, nowości, pilności i wykonalności. Gdy zaangażowane są grupy zewnętrzne, projekt może generować syntetyczne zestawy danych, które naśladują prawdziwe dane bez ujawniania poszczególnych pacjentów, pomagając pogodzić otwartość z surowymi zasadami prywatności, takimi jak europejskie RODO. Ten model zarządzania ma na celu uczynienie dostępu sprawiedliwym, przejrzystym i skoncentrowanym na pracach, które rzeczywiście mogą poprawić opiekę.

Co to może oznaczać dla pacjentów

Mówiąc prosto, APOLLO11 przekształca codzienną opiekę nad pacjentami z rakiem płuca w wielkie, żywe laboratorium. Poprzez systematyczne uczenie się z rzeczywistych doświadczeń w wielu szpitalach — i łączenie skanów, badań krwi, analiz guza i zaawansowanych obliczeń — projekt ma na celu zbudowanie narzędzi, które powiedzą lekarzom, zanim rozpocznie się leczenie, którzy pacjenci prawdopodobnie odniosą korzyść z immunoterapii lub leków ukierunkowanych, kto może doświadczyć poważnych działań niepożądanych, a kto będzie potrzebował innych strategii. Chociaż pozostają wyzwania, takie jak utrzymanie spójnej jakości danych i długoterminowe finansowanie, autorzy twierdzą, że tego rodzaju sieć oparta na danych, wyjaśnialna i dbająca o prywatność, stanowi plan działania, dzięki któremu medycyna precyzyjna stanie się rzeczywistością, a nie tylko obietnicą, dla osób z rakiem płuca.

Cytowanie: Prelaj, A., Provenzano, L., Miskovic, V. et al. APOLLO11: a bio-data-driven model for clinical and translational research in lung cancer. npj Precis. Onc. 10, 96 (2026). https://doi.org/10.1038/s41698-026-01295-3

Słowa kluczowe: rak płuca, immunoterapia, sztuczna inteligencja, dane z rzeczywistej praktyki, biobank