Az EPFL AI-modellje térképre helyezi a daganatok szöveteit

A daganat környezete is számít

Egy daganat viselkedését nem csak a rákos sejtek határozzák meg. Az immunsejtek, az erek és a környező szövetek is befolyásolják, hogyan növekszik a tumor, illetve miként reagál a kezelésre. Két, azonos sejttípusokat tartalmazó daganat is eltérően válaszolhat ugyanarra a terápiára attól függően, hogy a sejtek hogyan helyezkednek el egymáshoz képest.

A térbeli proteomika ezt a szerveződést molekuláris részletességgel képes rögzíteni. Az így létrejövő adatok azonban sok változót tartalmaznak, ezért nehéz őket értelmezni és különböző vizsgálatok eredményeivel összevetni. Az EPFL Charlotte Bunne vezette, a molekuláris orvoslás mesterséges intelligenciájával foglalkozó kutatócsoportja erre a problémára fejlesztette ki a Virtual Tissues, röviden VirTues nevű alapmodellt.

A modell térbeli proteomikai adatokból tanul, több vizsgálat és több rákféleség eredményeit felhasználva. Az egyes sejtek, a teljes szövetmetszetek és a betegkimenetelek közötti kapcsolatokat is képes közös keretben vizsgálni.

Több mint 12 ezer képen tanult

A kutatók két fő fejlesztést emeltek ki. Összeállították az eddigi legnagyobb nyílt térbeli proteomikai adatkészletet, amely több mint 12 000 képet tartalmaz több mint 5 000 betegtől, 31 klinikai kohorszban. Emellett új Transformer-architektúrát dolgoztak ki. Ez az AI-modellek egyik típusa, amely nagy adathalmazok összetett mintázatainak megtanulására alkalmas.

A VirTues akkor is képes különböző vizsgálatok adataiból tanulni, ha az egyes kutatásokban eltérő fehérjekészleteket mértek. Az új szövetminták így ugyanabban a keretrendszerben elemezhetők és hasonlíthatók össze. A későbbi vizsgálatok bővíthetik a modell által megtanult reprezentációt, ezért a kutatóknak nem kell minden új feladathoz a nulláról új modellt készíteniük.

Johann Wenckstern, a tanulmány első szerzője szerint ez a rugalmasság lehetővé teszi, hogy különböző adatállományokat egyetlen atlaszba integráljanak, az eltérő vizsgálatokból származó szöveteket azonos módon elemezzék, és a felfedezéseket különböző betegcsoportokban gyorsan ellenőrizzék.

A tanulmány a Nature folyóiratban jelent meg 2026. augusztus 10-én.

A kezelés kiválasztását is támogathatja

A VirTues-t nem egyetlen előre meghatározott feladatra tanították. Az alapmodellekhez hasonlóan széles körű adatokból tanul, és a szavak közötti kapcsolatok helyett a fehérjék, a sejtek és térbeli környezetük viszonyait modellezi. Ugyanaz a modell így többféle biológiai és klinikai kérdéshez felhasználható.

Charlotte Bunne szerint a kutatók betegcsoportokat hasonlíthatnak össze, meghatározhatják az őket megkülönböztető térbeli mintázatokat, valamint olyan térbeli biomarkereket fedezhetnek fel, amelyek összefügghetnek a betegség előrehaladásával és a kezelésre adott válasszal.

Andreas Wicki, a Zürichi Egyetem és a Zürichi Egyetemi Kórház onkológusa úgy fogalmazott, hogy az onkológiában az utóbbi években exponenciálisan nőtt a szövetek elemzéséből származó adatok mennyisége. Szerinte a klinikai felhasználáshoz a számítógépes modellezés kulcsfontosságú.

Olivier Michielin, a Genfi Egyetemi Kórház precíziós onkológiai vezetője szerint a modell a daganatok sejttípusainak és állapotainak részletesebb megértését, valamint a kezelés kiválasztásának javítását is elősegítheti. A szakember szerint a VirTues beépítése a helyi és országos precíziós onkológiai tumorbizottságok munkájába természetes következő lépés lehet.

A következő cél egy virtuális betegmodell

A fejlesztés egy ötéves, Virtual Patient Labs: AI-Driven Simulation and Diagnostics for Precision Oncology című projekt része. A projekt célja egy olyan számítógépes modell létrehozása, amely egyetlen ember saját adataira építve írja le annak biológiáját, és elég részletes ahhoz, hogy az orvosok a betegség várható alakulását, valamint a valószínűleg hatékony kezelést is vizsgálhassák.

A VirTues ebben a rendszerben a szöveti komponenst adja. Ezt a rutinszerű patológiai vizsgálatokkal, genetikai információkkal, klinikai adatokkal és más betegrekordokkal kombinálnák. Az EPFL szerint egy új, például Genfben levett minta így több ezer máshol gyűjtött mintával vethető össze, és szélesebb biológiai, illetve klinikai összefüggésbe helyezhető.

Bunne hangsúlyozta, hogy a beteg állapotának leírása csak az első lépés. A következő évek feladata annak vizsgálata lesz, hogy a szöveti állapotból megjósolható-e, miként változik a daganat egy adott kezelés hatására, és ez javítja-e a klinikai döntéseket.