Techjätten Microsoft har på allvar och på bred front inlett försök att besegra cancer med hjälp av en mindre armé beståendes av programmerare, ingenjörer och biologer. Dels jobbar man med ultrasmå DNA-datorer som inympas i kroppen och övervakar cancerceller och programmerar om dem, startar om systemet och rensar ut de sjuka cellerna. Dels tar man fram algoritmer för att förutsäga den bästa strategin för att angripa olika tumörtyper. Bolaget menar med en stilfull analogi att biologi i slutänden, precis som matematik, är ett beräkningsproblem som går att lösa, eller ett datorvirus som går att bota. Det kan finnas fog för optimismen – redan nu har man nått lovande framsteg inom en rad områden.
Microsoft har en ambitiös plan där man avser att lösa cancergåtan inom de närmaste tio åren. En av projekten är att utveckla ultrasmå datorer för att övervaka celldelningen i kroppen. Microsoft menar att det är ett naturligt steg för bolaget, då cancer i likhet med andra sjukdomar i slutändan är ett beräkningsproblem, inte bara som analogi betraktat, utan en reell djup matematisk insikt då biologi och databehandling har grundläggande beröringspunkter. Microsoft menar att maskininlärning och artificiell intelligens kommer underlätta analyser av miljontals biologiska data på jakt efter nya behandlingsmetoder.
Microsoft har samlat ett team av biologer, bland annat från AstraZeneca, och datavetare från hela världen för att arbeta på olika aspekter av cancerforskningen, och redan nu har man utvecklat programvara som efterliknar det friska beteendet hos en cell, så att det kan jämföras med en sjuk cell för att förhoppningsvis kunna ta reda på var problemet uppstod och hur det kan åtgärdas. Man skapar alltså datormodeller som härmar och modellerar de grundläggande processerna som sker i kroppen.
Datormodelleringar av signalvägar
Med hjälp av sofistikerade algoritmer har man utvecklat en “drag-and-drop” datormodellering av viktiga signalvägar i cancerceller som dramatiskt kan minska behovet av traditionella labbexperiment, även om resultaten av simuleringar fortfarande måste valideras i kliniska prövningar. Detta molnbaserade simuleringsverktyg ger en mer fullödig bild av de miljontals potentiella förändringar i cellsignalering som gör att cancerceller förökar sig okontrollerat.
På sina datorskärmar kan forskarna nu dra och släppa celler, gener, proteiner samt de grundläggande signalvägarna som kan fallera i cancerceller. Därpå utförs beräkningar på några minuter som förutsäger vad som händer om olika steg i processen är blockerade med läkemedel. På detta sätt kan man testa de troliga effekterna av läkemedel på nyckelsignalvägarna och identifiera de mest lovande platserna att ingripa. Utan datormodeller däremot, måste forskarna förlita sig på vetenskapens ofullständiga förståelse av alla stegen i cellsignalvägarna, och använda sin egen intuition för att välja vilka steg som ska blockeras. Fördelen med en datoriserad modellering, menar man, är att man kan testa många fler hypoteser samtidigt, plus att risken minskar för partiska (mänskliga) val. Dessutom menar man att man ska kunna avgöra vid vilken tidpunkt en cancer mest sannolikt kommer bli resistent mot ett specifikt läkemedel.
Molekylära datorer byggda av DNA
Ett team jobbar med maskininlärning där datorer tar fram information från bilder eller videoklipp för att ge radiologer en bättre förståelse för hur en specifik patients tumör fortskrider, vilket i teorin skall kunna erbjuda mer personligt skräddarsydda behandlingsalternativ än idag. Ett annat team arbetar på algoritmer för att förutsäga den bästa strategin för att hantera olika specifika tumörtyper. Ytterligare ett team arbetar som sagt med att ta fram molekylära datorer som byggs från DNA som man hoppas ska kunna övervaka och programmera om cancerceller i kroppen. Syftet är att dessa ska lära sig att känna igen en cancercell på molekylärnivå, starta om systemet och rensa ut de sjuka cellerna.
Det som gör cancer så komplext är att sjukdomen oftast inte orsakas av en enda mutation, utan snarare en mängd olika genetiska mutationer med komplexa interaktioner. Därför menar Microsoft att man måste gå igenom miljontals bitar av fragmenterad information för att hitta den gemensamma grunden. Detta är förstås omöjligt idag, men Microsofts förhoppning är att de skall kunna sortera allt fragmenterad information för att hitta de mest relevanta bitarna av data, för att i slutänden ge läkarna mer tid att använda sin kliniska erfarenhet till att bestämma vilken behandlingsplan som skall användas för varje specifik patient.
Maskininlärning används för att hitta svar i forskningsrapporter
Ett av projekten har lett till utvecklingen av verktyget Literome, ett molnbaserat datasystem som sorterar bland miljontals forskningsrapporter för att hitta svar på hur en enskild sjukdom skall diagnosticeras. Själva omfånget på detta material är oöverskådligt, men problemet är att forskarna också är kreativa och beskriver samma fenomen med olika benämningar, vilket innebär att flera forskningsrapporter som fokuserar på samma genetiska information, inte överlappas på ett perfekt sätt. Literome använder ett språkbearbetningsverktyg och maskininlärning för att hitta dessa beskrivningar.
Tidsbesparing, minskat mänskligt lidande och bättre behandlingsmöjligheter?
Ett maskininlärningssystem kan i ett väldigt rudimentärt scenario t.ex. identifiera ett specifikt djur i en bild baserad på tidigare bilder på djur som systemet har sett. När det gäller cancerforskning används denna teknik för att sortera och organisera miljontals bitar av forskning och medicinska data.
Idag måste en cancertumör skannas mödosamt och omständligt i dussintals sektioner för hand för att skapa en 3D-karta före behandling, en process som kan ta flera timmar. Man måste även säkerställa att närheten till viktiga organ är sådan att de är skyddade från strålningsbehandlingen. Microsofts ingenjörer har nu utvecklat ett program som kan beskriva en tumör inom några minuter, vilket innebär att behandlingen kan ske nästan omedelbart. Programmet kan också visa läkarna hur effektiv varje behandling har varit, så att dosen kan ändras beroende på hur mycket tumören har krympt. Dessutom skall systemet mer precis kunna avgränsa en tumörs utbredning, vilket är svårt att göra exakt även för experter med dagens metoder.
För några år sedan kunde en typisk datortomografi producera uppåt 200 bilder, men en skanning idag kan producera upp till det tiodubbla antalet vilket skapar dataredundans, en stor mängd data som dessutom är svårtolkad på detaljnivå för det mänskliga ögat. Enkelt uttryckt – radiologer behöver teknik för att hjälpa dem att hålla jämna steg med just, tekniken.
Maskininlärning och artificiell intelligens
Microsofts förhoppningar är att man så småningom ska kunna utvärdera 3D-skannade bilder pixel för pixel för att ge radiologen information exakt hur mycket tumören vuxit, minskat eller förändrat form sedan den senaste skanningen. Syftet är också att ge information om vävnadstäthet för att ge läkaren bättre underlag för att avgöra om det rör sig om en cysta eller en tumör, samt en mer finkalibrerad analys av tillståndet hos cellerna som omger en tumör, något som är i stort sett omöjligt att göra idag. Slutligen tänker man att 3D-bilderna ska kunna användas för att träna kirurger i att avlägsna svåråtkomliga hjärntumörer.
Läs mer om Microsofts cancerprogram här.

Prenumerera på BioStocks nyhetsbrev