Sertralina i uczenie maszynowe rewolucjonizują leczenie opornego raka żołądka

Czy oporność na leki ogranicza skuteczność terapii raka żołądka?

Rak żołądka stanowi istotne wyzwanie zdrowotne na całym świecie, zajmując czołowe miejsce wśród przyczyn zgonów związanych z nowotworami. Dane statystyczne wskazują, że Chiny ponoszą znaczącą część tego obciążenia, odpowiadając za 44,0% światowej zachorowalności i 48,6% śmiertelności. W leczeniu zaawansowanego raka żołądka chemioterapia pozostaje kluczową opcją, jednak pojawienie się oporności, szczególnie wielolekowej, znacząco zmniejsza jej skuteczność. Niepokojącym zjawiskiem obserwowanym w komórkach raka żołądka jest ich zdolność do wykazywania oporności nie tylko na środki chemioterapeutyczne, ale również na leki celowane, co prowadzi do niezadowalających wyników terapeutycznych.

Zgodnie z badaniami, komórki nowotworowe rozwijają oporność na leki poprzez różne mechanizmy, w tym mutacje genetyczne i zmiany w szlakach sygnałowych. Pomimo złożonej natury mechanizmów oporności, wszystkie one obejmują proces apoptozy komórkowej. Indukcja apoptozy komórek nowotworowych za pomocą leków wspomagających, takich jak chemosensybilizatory, może znacząco zwiększyć skuteczność chemioterapeutyków. Strategia ta ma na celu aktywację szlaku apoptotycznego w komórkach nowotworowych, eliminując komórki oporne na leki. Poprzez indukcję apoptozy można zwiększyć cytotoksyczność leków chemioterapeutycznych wobec komórek nowotworowych, poprawiając wyniki leczenia. Dlatego opracowywanie leków wspomagających, które mogą indukować apoptozę komórek nowotworowych, staje się kluczową strategią zwiększania skuteczności leczenia raka żołądka.

Czy sertralina może przełamać oporność chemioterapeutyczną?

Obiecującym podejściem jest repurposing istniejących leków w strategicznym połączeniu z chemioterapeutykami, mający na celu wzmocnienie ich działania i poprawę ogólnej skuteczności leczenia. Na przykład sildenafil, pierwotnie wprowadzony jako lek na zaburzenia erekcji, wykazał intrygującą zdolność do uwrażliwiania komórek nowotworowych na działanie chemioterapii i radioterapii. Statyny, powszechnie znane ze swoich właściwości obniżających cholesterol, również okazały się potencjalnymi chemosensybilizatorami, zwiększającymi skuteczność chemioterapii. Wcześniejsze badania wskazywały, że selektywne inhibitory wychwytu zwrotnego serotoniny (SSRI), klasa leków przeciwdepresyjnych, posiadają właściwości przeciwnowotworowe. Wśród nich sertralina wykazała znaczący potencjał w uwrażliwianiu opornych komórek raka żołądka na działanie leków chemioterapeutycznych. Badania sugerują, że sertralina wpływa na oporne komórki raka żołądka poprzez indukcję apoptozy i zatrzymanie cyklu komórkowego, co stanowi obiecujący kierunek dla rozwoju nowych chemosensybilizatorów.

Sertralina jako środek chemosensybilizujący działa głównie poprzez wzmacnianie przeciwnowotworowego działania leków chemioterapeutycznych za pomocą mechanizmu wielocelowego. Badania wykazały, że gdy sertralina jest łączona z różnymi chemioterapeutykami (takimi jak doksorubicyna, winkrystyna i erlotynib), może zmniejszać wypływ leków poprzez hamowanie transporterów ATP-binding cassette (ABC), zwiększając tym samym wewnątrzkomórkowe stężenie leku chemioterapeutycznego. Dodatkowo, sertralina zwiększa wrażliwość na leki poprzez indukcję autofagii i apoptozy poprzez modulację szlaku sygnałowego mTOR/Akt. Jej zdolność do hamowania ekspresji TCTP może przywrócić funkcję p53, dodatkowo promując apoptozę komórek nowotworowych i odwracając chemooporność. Odpowiednie dane eksperymentalne pokazują, że terapie skojarzone z sertraliną znacząco zmniejszają objętość guza i częstość nawrotów w różnych modelach, w tym raka piersi, płuc i czerniaka. Mechanizmy te obejmują regulację białek rodziny Bcl-2, aktywację kaspazy-3/7 oraz zmiany w homeostazie jonów wapnia, podkreślając jej potencjał jako wielomodalnego środka uwrażliwiającego.

Czy modyfikacje molekularne i ML otwierają nowe możliwości terapii raka żołądka?

Pomimo wykazanego wielocelowego potencjału sertraliny w odwracaniu oporności na leki w raku żołądka, badania nad zależnością struktura-aktywność (SAR) dla aktywności przeciwko rakowi żołądka pozostają w fazie wstępnej. Mechanizmy molekularne wskazują, że ich efekty farmakologiczne są ściśle związane z określonymi grupami funkcyjnymi. Mu i wsp. potwierdzili poprzez eksperymenty modyfikacji strukturalnej, że atom wodoru (H) na grupie drugorzędowej aminy sertraliny jest istotnym elementem dla aktywności. Zastąpienie tego wodoru grupą metylową całkowicie zniosło przeciwnowotworowe działanie leku. Bin Kanner i wsp. ujawnili poprzez dokowanie molekularne, że hydrofobowość grupy dichlorofenylowej zwiększa powinowactwo wiązania do transporterów ABC, podkreślając kluczową rolę grup hydrofobowych w przezwyciężaniu oporności na leki.

Obecne badania koncentrują się wyłącznie na jednopunktowej walidacji poszczególnych grup funkcyjnych, brakuje systematycznej analizy SAR, co ogranicza optymalizację strukturalną i rozwój wysoce skutecznych środków uwrażliwiających. Ta luka stwarza punkt wejścia dla interwencji uczenia maszynowego. Poprzez integrację fragmentarycznych danych w celu konstrukcji modeli predykcyjnych SAR, uczenie maszynowe może przyspieszyć badania przesiewowe aktywności i wyjaśnienie mechanizmu działania pochodnych sertraliny. Uczenie maszynowe (ML) zrewolucjonizowało krajobraz odkrywania leków, głęboko wpływając na tradycyjne metodologie badawcze. Wykorzystując moc ML do przewidywania aktywności analogów sertraliny, możemy znacznie przyspieszyć proces repurposingu i rozwoju leków.

Niniejsze badanie ma na celu wypełnienie tej luki poprzez opracowanie zaawansowanych ram uczenia maszynowego, zaprojektowanych do przewidywania aktywności analogów sertraliny w kontekście zwalczania opornego na leki raka żołądka. Wykorzystując ustalone zależności struktura-aktywność i zagłębiając się w biologiczne mechanizmy leżące u podstaw oporności na leki, nasz model ML ma na celu identyfikację potencjalnych kandydatów na leki, które uzasadniają dalszą walidację eksperymentalną. Pomyślne opracowanie i wdrożenie tego modelu ML daje nadzieję nie tylko na przyspieszenie odkrywania innowacyjnych chemosensybilizatorów, ale także na przyczynienie się do głębszego zrozumienia złożonych interakcji molekularnych, które zachodzą między pochodnymi sertraliny a komórkami raka żołądka opornymi na leki. To nowatorskie podejście ma potencjał do przekształcenia krajobrazu terapeutycznego raka żołądka, oferując nową nadzieję pacjentom stawiającym czoła trudnemu wyzwaniu oporności na leki.

Jak dane strukturalne wspierają analizy aktywności leków?

Aby kontynuować nasze badanie, skrupulatnie zebraliśmy dane strukturalne i aktywność dla zróżnicowanego zestawu 268 pochodnych sertraliny z wcześniej opublikowanej literatury, patentów i bazy danych Zinc. Dane te zostały następnie poddane analizie i kategoryzacji na podstawie ich aktywności w porównaniu z sertraliną. Związki wykazujące wyższą aktywność farmakologiczną niż sertralina zostały oznaczone jako klasa 1, podczas gdy te o niższej aktywności przypisano do klasy 0.

Wykorzystujemy potężną bibliotekę Pythona RDKit do analizy ciągów SMILES, oferując wydajną i solidną wydajność obliczeniową. Za pomocą RDKit możemy wyodrębnić bogactwo właściwości fizykochemicznych z formuł SMILES, w tym masę cząsteczkową, lipofilowość i polarną powierzchnię, między innymi. Te krytyczne parametry stanowią podstawę dla kolejnych analiz i modelowania. Po uzyskaniu danych o właściwościach fizykochemicznych, wykorzystujemy zaawansowany model ADMET 3.0 do przewidywania kluczowych charakterystyk związków, w tym metabolizmu leków, wchłaniania, dystrybucji, wydalania i toksyczności. ADMET 3.0 to potężne narzędzie, które integruje techniki mechaniki kwantowej i molekularnej, oferując cenne spostrzeżenia na temat tych złożonych przewidywań.

Po zakończeniu fazy inżynierii cech, weszliśmy w krytyczny etap wyboru i optymalizacji modelu. W tej fazie zastosowaliśmy szereg zaawansowanych algorytmów uczenia maszynowego, które są znane ze swojej skuteczności w zadaniach klasyfikacji binarnej. Wybrano sześć solidnych algorytmów: regresja logistyczna (LR), gradient boosting (GB), naiwny Bayes (NB), maszyna wektorów nośnych (SVM), K-najbliższych sąsiadów (KNN) i perceptron wielowarstwowy (MLP). Hiperparametry każdego modelu były skrupulatnie dostrajane, aby zapewnić ich zdolność do dokładnego uchwycenia złożonych wzorców i relacji w danych.

Który model ML zapewnia najlepsze wyniki w klasyfikacji?

W obecnej pracy wybraliśmy model SVM ze względu na jego doskonałe wyniki. SVM to klasyfikator binarny, którego podstawowy model jest zdefiniowany jako klasyfikator liniowy o największym marginesie w przestrzeni cech, a jego strategia uczenia opiera się na maksymalizacji tego marginesu. Po zastosowaniu analizy głównych składowych (PCA) do redukcji wymiarowości, cechy wykazały nieliniową zależność. Dlatego zdecydowaliśmy się na jądro gaussowskie funkcji bazowej (RBF) ze względu na jego renomowane wyniki z różnymi rozmiarami próbek i adaptacyjność do różnych scenariuszy. Zastosowano regularyzację, aby zwiększyć stabilność i kontrolować złożoność modelu. Poprzez dostrajanie osiągnięto wynik zbioru walidacyjnego 85,71% przy C = 5, co oznacza poprawę o około 10% w porównaniu z nieadjustowanym modelem.

Dodatkowo wykorzystaliśmy metodę zespołową Bagging w celu zmniejszenia ryzyka przeuczenia. Bagging wyróżnia się prostotą i intuicyjnością w porównaniu z innymi technikami zespołowymi, takimi jak boosting. Biorąc pod uwagę nasz mały zbiór danych, złożoność bardziej skomplikowanych modeli mogłaby prowadzić do problemów z przeuczeniem, co czyni bagging kluczowym elementem w naszym podejściu. Podzieliliśmy zbiór danych na zbiór treningowy i testowy, przy czym 80% danych wykorzystano do treningu, a 20% do testowania. Następnie dodatkowo podzieliliśmy 20% danych treningowych, aby utworzyć zbiór walidacyjny, który został wykorzystany do dostrajania modelu i regulacji hiperparametrów.

W zakresie porównawczej oceny modelu zastosowaliśmy strategiczne podejście 5-krotnej walidacji krzyżowej. Ta metoda pozwoliła nam obiektywnie zbadać zdolność każdego algorytmu do generalizacji na nowe dane i ochrony przed przeuczeniem danych treningowych. Generując skrupulatne raporty klasyfikacyjne, uzyskaliśmy wgląd w zdolność tych modeli do poprawnego przewidywania dwóch klas. Ponadto, krzywe ROC (Receiver Operating Characteristic) i wartości AUC (Area Under the Curve) dostarczyły dodatkowych informacji, umożliwiając nam porównanie mocnych i słabych stron każdego modelu oraz ujawniając ich wydajność pod względem prawdziwych pozytywnych i fałszywie pozytywnych wskaźników.

Czy analiza krzywych ROC i uczenia odkrywa ukryte potencjały SVM?

Tabela przedstawia wyniki sześciu różnych podejść uczenia maszynowego pod względem dokładności, precyzji, czułości, f1-score i wyników 5-krotnej walidacji krzyżowej. Ten kompleksowy raport klasyfikacyjny ułatwia dogłębną ocenę modeli. Dokładność mierzy ogólną zdolność modelu do dokonywania poprawnych przewidywań, podczas gdy czułość koncentruje się na jego zdolności do prawidłowego identyfikowania przypadków pozytywnych, obliczając proporcję rzeczywistych pozytywnych prawidłowo przewidzianych jako pozytywne. F1-score zapewnia zrównoważoną ocenę, łącząc precyzję i czułość, co czyni go użytecznym wskaźnikiem mocy predykcyjnej modelu. MLP, LR, SVM i KNN wykazują wyjątkowe wyniki zarówno na zbiorze testowym, jak i walidacyjnym. W szczególności osiągają dokładność aż 92,68% na zbiorze testowym, wskazując na ich silną zdolność predykcyjną w przypadku nowych, niewidzianych danych. Ponadto, te cztery modele wykazują również imponujące wyniki pod względem precyzji, czułości i f1-score. Aby ocenić zdolność do generalizacji i stabilność modeli, zastosowaliśmy 5-krotną walidację krzyżową. Porównując wyniki walidacji krzyżowej MLP, LR, SVM i KNN, zaobserwowano, że SVM wykazuje nieco wyższe wyniki niż pozostałe trzy modele. Co godne uwagi, łącząc wydajność zarówno na zbiorze testowym, jak i walidacyjnym, okazuje się, że SVM konsekwentnie przewyższa pozostałe trzy algorytmy.

Aby odkryć zawiłości wydajności modelu SVM i wykryć potencjalne problemy z przeuczeniem lub niedouczeniem, zwracamy się do krzywych uczenia. Poprzez skrupulatną analizę wyników, obserwujemy, że model SVM wykazuje małą lukę między krzywymi wyniku treningu i wyniku walidacji krzyżowej, wskazując na brak przeuczenia. Dodatkowo, wysokie wyniki osiągnięte przez model SVM wzmacniają jego siłę jako realnego wyboru. Po rygorystycznym procesie selekcji, SVM wyłonił się jako najlepiej działający model i został wybrany do dalszej optymalizacji. Aby ulepszyć model SVM, zastosowaliśmy podejście zespołowe oparte na klasyfikatorach SVM: bagging. Poprzez dostrajanie parametrów i odniesienie do wyników zbioru walidacyjnego, zintegrowany model osiągnął średnią poprawę o około 3% w precyzji, czułości i f1-score. Co godne uwagi, wykazał wzrost o 10% w zbiorze walidacyjnym. Krzywa ROC przesunęła się bliżej lewego górnego rogu, a wartość AUC poprawiła się z 84% do 95%. Te wyniki potwierdzają skuteczność naszej wybranej metody zespołowej i pokazują, jak integracja Bagging zwiększa stabilność modelu i zdolności generalizacyjne, prowadząc do doskonałej wydajności.

Czy model SVM rewolucjonizuje przewidywanie aktywności związków?

Wykres ilustruje porównanie między przewidywanymi prawdopodobieństwami a rzeczywistymi wynikami cząsteczek. Zgodnie z wykresem, model dokładnie przewidział kategorie większości cząsteczek, ale rozkład prawdopodobieństwa jest niestabilny, możliwe, że z powodu małego zbioru danych prowadzącego do niewystarczającego uczenia. Niemniej jednak, wydajność modelu jest uważana za zadowalającą dla zadań klasyfikacyjnych. Na podstawie przedstawionych wyników, z 41 nieznanych związków, tylko 2 zostały błędnie zidentyfikowane, co daje wskaźnik błędu około 4,8%. Zdolność klasyfikacyjna tego modelu jest odpowiednia dla praktycznych zadań klasyfikacyjnych.

Analiza wyników przewidywania modelu ujawniła, że obecność H na drugorzędowych aminach została wyraźnie uchwycona podczas treningu, wykazując silną korelację z aktywnością związku. W zbiorze testowym, 12 związków z N–H na drugorzędowych aminach i rzeczywistą aktywnością zostało zidentyfikowanych, wszystkie z nich otrzymały przewidywania modelu powyżej 0,5, z poziomem ufności 100%. To silnie wskazuje, że model z powodzeniem ustanowił pozytywne powiązanie między aminą H a aktywnością na podstawie danych treningowych. Z perspektywy mechanizmu chemicznego, nieparzysty elektron na aminie H może uczestniczyć w wiązaniu celu poprzez wiązania wodorowe lub interakcje elektrostatyczne, zwiększając tym samym aktywność związku.

Jednakże niektóre związki z N–H na drugorzędowych aminach nie wykazywały aktywności. Po analizie wydaje się, że duże podstawniki na drugorzędowych aminach mogą znacząco utrudniać dopasowanie konformacyjne wymagane do wiązania celu. Pomimo obecności N–H na drugorzędowych aminach w tych związkach, duże podstawniki wprowadzają zawadę steryczną, utrudniając tworzenie wiązań wodorowych. W wynikach przewidywania modelu zaobserwowano również, że związki pozostawały aktywne, gdy podstawnik chlorowy na pierścieniu benzenowym został zastąpiony bromem lub gdy orto-chlor został usunięty. Model dokładnie zidentyfikował związki zawierające chlor (Cl) lub brom (Br) na pierścieniu benzenowym jako aktywne (przewidywana wartość >0,5). Zgodnie z literaturą, efekt hydrofobowy grup dichlorofenylowych może wzmacniać wiązanie molekularne do hydrofobowej jamy celu. Brom, o większym promieniu atomowym, może wywierać silniejszy efekt hydrofobowy, podczas gdy chlor i brom wykazują podobne efekty elektronowe (σ_p ≈ 0,23 vs 0,26). Dlatego model nie wydał błędnego osądu z powodu zmian w typie halogenu.

Model uchwycił kluczowe cechy strukturalne, które dostarczają ważnych wskazówek do projektowania związków kandydujących. Precyzyjne zidentyfikowanie przez model N–H na drugorzędowych aminach jako krytycznego markera aktywności sugeruje, że N–H powinno być zachowane podczas modyfikacji molekularnej, aby zapobiec utracie aktywności. Dodatkowo, zdolność modelu do rozpoznawania aktywności związków podstawionych bromem wśród licznych związków zawierających dichlorofenyl demonstruje nie tylko jego zrozumienie relacji strukturalnych małych cząsteczek, ale także dokładne uchwycenie cech interakcji hydrofobowych w tej pozycji. Może to być przypisane skutecznemu uczeniu się przez model właściwości małych cząsteczek, takich jak log P, log S i topologiczna polarna powierzchnia (TPSA). Na podstawie tych ustaleń, w przewidywaniach modyfikacji małych cząsteczek, eksploracja zastąpienia podstawników chlorowych na grupach dichlorofenylowych innymi atomami halogenowymi jest obiecującą strategią.

Podsumowując, nasz wybrany model SVM, wzmocniony metodą integracji bagging, doskonale sprawdza się zarówno pod względem możliwości predykcyjnych, jak i generalizacyjnych. Jego silna wydajność predykcyjna wskazuje na potencjał modelu do praktycznego rozwoju analogów sertraliny, usprawniając cykl rozwoju i zmniejszając koszty związane z syntezą nieaktywnych związków. Dodatkowo, wyjątkowa zdolność generalizacji modelu rozszerza się na przewidywanie podobnych związków, oferując cenne spostrzeżenia na temat zbiorów danych związków i danych o aktywności. Wykorzystując te ramy analityczne, możemy efektywnie przewidywać aktywność powiązanych związków, przyspieszając proces eksperymentalny.

Podsumowanie

Przedstawione badanie koncentruje się na problemie oporności na leki w terapii raka żołądka oraz potencjalnym rozwiązaniu poprzez wykorzystanie sertraliny jako chemosensybilizatora. Rak żołądka stanowi poważne wyzwanie, szczególnie w Chinach, gdzie odpowiada za blisko połowę światowych zachorowań i zgonów. Badania wykazały, że sertralina, lek przeciwdepresyjny z grupy SSRI, może skutecznie uwrażliwiać oporne komórki nowotworowe na działanie chemioterapeutyków poprzez indukcję apoptozy i modulację różnych szlaków komórkowych. W celu optymalizacji tej terapii, opracowano zaawansowany model uczenia maszynowego oparty na SVM (Support Vector Machine), który osiągnął dokładność 92,68% w przewidywaniu aktywności analogów sertraliny. Model ten, wzmocniony metodą bagging, skutecznie identyfikuje kluczowe cechy strukturalne związków, w tym znaczenie grupy N-H w drugorzędowych aminach oraz rolę podstawników halogenowych. Zastosowanie uczenia maszynowego znacząco przyspiesza proces rozwoju nowych, potencjalnie skuteczniejszych analogów sertraliny w walce z opornym na leki rakiem żołądka.