Μια νέα προσέγγιση στην υπολογιστική ογκολογία παρουσιάστηκε με το RegNetAgents, ένα πλαίσιο πολλαπλών πρακτόρων (multi-agent framework) που βασίζεται στην Τεχνητή Νοημοσύνη για τον εντοπισμό ρυθμιστικών παραγόντων σε σύνθετα γονιδιακά δίκτυα. Το σύστημα, το οποίο λειτουργεί ως ένα επίπεδο ανάλυσης πάνω από προϋπολογισμένα δίκτυα, στοχεύει στην ενοποίηση δεδομένων από διαφορετικές πηγές για την κατανόηση της γονιδιωματικής του καρκίνου.
Αρχιτεκτονική και Λειτουργία
Το RegNetAgents είναι υλοποιημένο ως μια ροή εργασίας LangGraph DAG (Directed Acyclic Graph) και είναι προσβάσιμο μέσω ενός ενοποιημένου Python API και ενός πελάτη Model Context Protocol (MCP). Η κύρια καινοτομία του έγκειται στην ικανότητά του να διεξάγει ενοποιημένη ανάλυση δικτύων ARACNe που προέρχονται τόσο από ογκώδεις όγκους (TCGA) όσο και από μονοκυτταρικές αναλύσεις (GREmLN).
Για κάθε εξεταζόμενο γονίδιο, το πλαίσιο εκτελεί:
- Ταξινόμηση σε διπλά δίκτυα.
- Φιλτράρισμα γονιδίων καρκίνου με χρήση των σχολιασμών OncoKB.
- Ανάθεση τρόπου δράσης (Mode-of-Action - MoA) για τις ρυθμιστικές σχέσεις που προέρχονται από όγκους.
Αποτελέσματα σε BRCA και COAD
Η αποτελεσματικότητα του συστήματος δοκιμάστηκε σε έντεκα γονίδια-στόχους για τον καρκίνο του μαστού (BRCA) και δώδεκα για τον καρκίνο του παχέος εντέρου (COAD). Τα αποτελέσματα έδειξαν σημαντική εμπλουτισμένη παρουσία καρκινικών γονιδίων με σχολιασμό OncoKB. Συγκεκριμένα, οι υποψήφιοι παράγοντες από το TCGA εμφάνισαν υψηλές τιμές Stouffer Z (6,69 για BRCA και 6,95 για COAD), ενώ και οι υποψήφιοι από το GREmLN παρουσίασαν σημαντική στατιστική ισχύ (Z = 5,51 για BRCA και 7,06 για COAD, p < 0,0001).
Είναι αξιοσημείωτο ότι δεν παρατηρήθηκε εμπλουτισμός σε ομάδες γονιδίων ελέγχου ή γονιδίων «νοικοκυριού» (housekeeping genes), γεγονός που επιβεβαιώνει την εξειδίκευση του σήματος που ανιχνεύει το σύστημα. Επιπλέον, μια εκτεταμένη ενότητα επιτρέπει την αξιολόγηση της φαρμακευτικής καταλληλότητας και της κλινικής συνάφειας των υποψήφιων ρυθμιστών.
