Onderzoekers van Penn Medicine ontwikkelden een raamwerk voor kunstmatige intelligentie dat grote taalmodellen integreert met menselijke expertise om nieuwe doelen voor CAR T-celtherapie te ontdekken, volgens een rapport dat woensdag in het tijdschrift Cell is gepubliceerd. De studie werd geleid door Daniel Baker, die in december 2025 zijn doctoraat aan Penn voltooide onder het mentorschap van CAR T-celtherapiepionier Carl June en Zoltan Arany, voorzitter van Fysiologie bij Penn.
Het AI-systeem, beschreven als een ‘human-in-the-loop’-model, heeft tot doel de uitdaging van het identificeren van antigenen voor CAR T-cellen te verminderen. “Het ontdekken van een goed CAR-doelwit is als proberen een speld in een hooiberg te vinden, behalve dat de hooiberg blijft groeien naarmate er meer sequentiegegevens beschikbaar komen,” zei Baker. Hij merkte op dat AI zeer geschikt is voor deze taak, omdat grote taalmodellen grote hoeveelheden gegevens effectief kunnen analyseren, terwijl menselijke experts diepgaande inzichten kunnen verschaffen.
Het raamwerk combineert single-cell RNA-sequencing-datasets met op LLM gebaseerde simulaties om potentiële CAR T-doelen te nomineren en te prioriteren, waardoor een shortlist ontstaat voor validatie door deskundigen. Het ontwerp is ziekte-agnostisch en compatibel met toekomstige AI-modellen.
Als proof of concept richtte het team zich op huidkanker en identificeerde glycoproteïne niet-metastatisch melanoomeiwit B (GPNMB) als topkandidaat. CAR T-cellen die zijn ontworpen om zich op GPNMB te richten, vertoonden significante tumordodende activiteit in muismodellen van melanoom, leukemie en colorectale kanker. Een gerelateerd commentaar in Cell benadrukte dat GPNMB CAR T-behandeling resulteerde in remissie zonder terugval in xenotransplantaatmodellen.
Hoewel CAR T-celtherapie de behandeling van bloedkanker aanzienlijk heeft verbeterd, richten de huidige, door de FDA goedgekeurde therapieën zich voornamelijk op antigenen bij deze maligniteiten. De onderzoekers beweren dat hun raamwerk het proces voor het ontdekken van doelwitten kan terugbrengen van maanden naar weken, waardoor de toepassing ervan op een verscheidenheid aan ziektetypes wordt vergemakkelijkt zonder dat een herontwerp van de onderliggende architectuur nodig is.
