Несмотря на растущее применение ДНК-панелей в прецизионной онкологии, РНК-транскриптомика остаётся недоиспользованной из-за ограниченности датасетов и отсутствия надёжных моделей. Исследователи собрали крупнейший на сегодня транскриптомный ресурс для предсказания лекарственного ответа: 91 когорта, 5675 пациентов, девять типов рака и шесть первой линии терапий — анти-PD-1/PD-L1 ингибиторы контрольных точек, trastuzumab, bevacizumab, BRAF-ингибиторы, paclitaxel и FAC/FEC (fluorouracil-adriamycin-cyclophosphamide/fluorouracil-epirubicin-cyclophosphamide) химиотерапия.

Разработана EXPRESSO (EXpression-Profile-RESponSe-Optimizer) — платформа супервизированного машинного обучения для предсказания ответа на лечение по пре-терапевтическим транскриптомам, интегрирующая мишени препаратов и контекст-специфические биомаркеры. EXPRESSO эффективно предсказывала ответ пациентов на различные виды терапии, превосходя 20 опубликованных транскриптомных сигнатур и другие методы машинного обучения.

Проспективная валидация на 22 независимых когортах подтвердила, что предсказательная способность генерализуется за пределы кросс-валидации. Сигнатура EXPRESSO дополнительно стратифицировала выживаемость без прогрессирования (PFS) в когортах, получавших ингибиторы контрольных точек, демонстрируя прогностическую ценность помимо бинарного предсказания ответа.

Анализ устойчивости показал, что предсказательная способность достигла плато для некоторых видов терапии при увеличении числа обучающих когорт, но продолжала улучшаться для других. Это указывает на внутренние ограничения супервизированного «грубого» обучения для определённых препаратов, однако дополнительные данные и более глубокое механистическое моделирование могут дальше повысить точность транскриптомных предикторов.

Полученные результаты открывают путь к более широкому клиническому применению РНК-транскриптомики в предсказании ответа на лечение и стратификации пациентов при различных видах терапии.