Il programma ADAPT mira a sconfiggere il cancro tracciando l'evoluzione dei tumori
L'iniziativa ADAPT di ARPA-H utilizza dati multimodali in tempo reale e l'intelligenza artificiale per rilevare la resistenza emergente ai farmaci e adattare dinamicamente la terapia oncologica.
Riepilogo
ADAPT è un'iniziativa nazionale ARPA-H progettata per trasformare il trattamento oncologico monitorando in tempo reale l'evoluzione tumorale. Anziché affidarsi a biomarcatori statici, ADAPT integra biopsie liquide, genomica, imaging e cartelle cliniche in modelli predittivi basati sull'intelligenza artificiale, capaci di anticipare la resistenza ai farmaci prima che essa diventi clinicamente evidente. Una piattaforma innovativa di sperimentazione clinica evolutiva — che arruola pazienti con tumori metastatici della mammella, del colon-retto e del polmone — testa sequenze terapeutiche all'interno di un unico protocollo adattivo, modificando il trattamento man mano che emergono nuovi caratteri di resistenza. Una piattaforma dati centralizzata (TAP), costruita su DNAnexus e XNAT, consente la condivisione sicura e rapida di dati multimodali tra diverse istituzioni. L'obiettivo è ritardare o prevenire la progressione della malattia rendendo l'oncologia autenticamente reattiva alla biologia mutevole di ciascun tumore.
Riepilogo Dettagliato
La caratteristica distintiva del cancro è la sua capacità di evolversi sotto la pressione terapeutica, acquisendo meccanismi di resistenza che rendono inutili trattamenti un tempo efficaci. L'oncologia attuale si affida in larga misura a biomarcatori statici—singole mutazioni geniche o dati istopatologici di base—che colgono solo un'istantanea di questa complessità. Il programma ADAPT (<em>Advanced Analysis for Precision Cancer Therapy</em>) di ARPA-H è stato concepito per colmare questo divario, costruendo un sistema dinamico e in continuo apprendimento che monitora i tumori nel tempo e adegua il trattamento in tempo quasi reale.
Il programma si fonda su tre pilastri. Il primo riguarda i team dedicati ai biomarcatori, che sviluppano modelli predittivi dinamici, interpretabili e multimodali. Questi integrano sequenziamento genomico, trascrittomica, dati sulle vie di segnalazione proteica, istopatologia, imaging radiologico e DNA tumorale circolante (ctDNA) in "embeddings" specifici per paziente—rappresentazioni unificate a bassa dimensionalità che alimentano le previsioni terapeutiche a valle. I metodi impiegati includono l'attribuzione delle caratteristiche basata su SHAP, modelli logici, reti neurali visibili allineate alle vie molecolari note e strumenti di transfer learning come OncoPredict e TCRP, che consentono ai modelli addestrati in contesti ricchi di dati di generalizzare a coorti cliniche di piccole dimensioni. È importante sottolineare che i modelli sono progettati per rimanere funzionali anche quando alcune modalità di dati sono assenti o rumorose.
Il secondo pilastro consiste nel framework innovativo di sperimentazione clinica evolutiva di ADAPT, che arruola pazienti affetti da cancro al seno metastatico (prevalentemente ER+/HER2−), cancro del colon-retto (microsatellite-stabile) e carcinoma polmonare non a piccole cellule. A differenza degli studi convenzionali, questo protocollo modulare e open-source testa più sequenze terapeutiche all'interno di un'unica piattaforma, incorpora prospetticamente biomarcatori di nuova scoperta e utilizza sub-trial Bayesiani adattativi di tipo N-of-one (Bayes-Nano) per identificare rapidamente promettenti associazioni biomarcatore-farmaco. Biopsie liquide seriali e imaging lungo le linee di trattamento generano i dati longitudinali necessari per rilevare i tratti di resistenza man mano che emergono e guidare il passaggio adattivo tra terapie. Ciascun braccio oncologico adotta una strategia personalizzata: le pazienti con cancro al seno eseguono biopsie ematiche seriali per orientare la selezione della linea successiva dopo la progressione agli inibitori di CDK4/6; i pazienti con cancro del colon-retto vengono profilati lungo tre linee di terapia con "delta biomarkers" che correlano le variazioni precoci indotte dal trattamento agli esiti; i pazienti con tumore polmonare in prima linea di immunoterapia sono monitorati con ctDNA/cfDNA e imaging, e coloro che progrediscono entrano in sub-trial abbinati a biomarcatori.
Il terzo pilastro è la ADAPT Treatment and Analysis Platform (TAP), che unifica le operazioni di ricerca e cliniche. Costruita sulla DNAnexus Managed Cloud Platform e sul toolkit di neuroimaging XNAT, TAP fornisce archiviazione scalabile multi-omics, controllo automatizzato della qualità delle immagini, estrazione ad alto rendimento delle caratteristiche e condivisione sicura dei dati tra istituzioni. Tempi di risposta rigidi per i fornitori e l'interoperabilità basata su cloud garantiscono che i risultati interpretabili raggiungano i medici e i pazienti senza interrompere i flussi di lavoro assistenziali. È inoltre in fase di sviluppo una roadmap normativa e di rimborso per supportare un'adozione clinica sostenibile dei biomarcatori multimodali.
L'ambizione di ADAPT è significativa: rendere la terapia oncologica un sistema in continuo apprendimento, in cui i dati di ogni paziente migliorano la cura dei pazienti futuri con tumori simili. Se coronato da successo, questa infrastruttura potrebbe rappresentare un modello scalabile per la medicina oncologica di precisione al di là dei tre tipi di cancro iniziali.
Risultati Principali
- ADAPT integrates ctDNA, genomics, imaging, and EHR data into dynamic AI models that predict emerging drug resistance.
- An evolutionary trial platform tests multiple therapy sequences in one protocol, adjusting treatment as tumor traits change.
- Bayes-Nano sub-trials enable rapid biomarker-drug pairing discovery within deeply characterized patient cohorts.
- The TAP data platform links institutions for near-real-time secure data sharing and reproducible biomarker analysis.
- Three cancer types—metastatic breast, colorectal, and NSCLC—serve as initial testbeds across multiple lines of therapy.
Metodologia
ADAPT è un'iniziativa programmatica prospettica multicentrica che combina lo sviluppo retrospettivo di modelli (screening su linee cellulari, dataset esistenti di pazienti) con uno studio clinico adattivo modulare che arruola pazienti con carcinoma mammario metastatico, carcinoma colorettale e NSCLC. I modelli di biomarcatori utilizzano metodi di machine learning tra cui SHAP, reti neurali visibili, OncoPredict e TCRP, raffinati in modo iterativo con i dati dello studio in tempo reale. La piattaforma TAP (DNAnexus + XNAT) centralizza la gestione dei dati multi-omici e di imaging tra le diverse istituzioni.
Limitazioni dello Studio
ADAPT è una descrizione di programma e non uno studio completato, pertanto l'efficacia e l'utilità clinica dei suoi modelli di intelligenza artificiale e del design adattivo della sperimentazione rimangono non dimostrate. La complessità dell'integrazione in tempo reale di dati multimodali tra diverse istituzioni pone sfide logistiche, regolamentari e di rimborso considerevoli. La generalizzabilità al di là dei tre tipi di tumore iniziali e dei contesti accademici ad alta disponibilità di risorse è incerta.
Ti è piaciuto questo riepilogo?
Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.
Inserisci la tua email per iscriverti: