„Nu am fi putut ajunge la acest rezultat fără o abordare de echipă”, spune Tyler Alban, autor senior al unui studiu publicat în 2026 în Science Advances. Cercetători de la Cleveland Clinic și IBM au creat Q-CHIPP, un cadru de învățare automată cuantică destinat predicției neoantigenelor care pot activa sistemul imunitar împotriva celulelor canceroase. Potrivit rezultatelor prezentate de echipă, modelul a obținut o precizie mai bună decât metodele de calcul clasice atunci când a fost evaluat cu puține date, limite similare de parametri și aceleași constrângeri.
- Q-CHIPP reunește predicțiile privind prezentarea antigenelor și răspunsul la imunoterapie.
- Modelul poate învăța din seturi de antrenare de numai 150 de exemple.
- Abordarea a fost extinsă la modelarea peptidelor pe întreaga lor lungime, folosind 46 de qubiți.
- Rezultatele au fost publicate în revista Science Advances.
Alban descrie proiectul drept rezultatul unei colaborări între specialiști în cancer, științe computaționale și calcul cuantic. Membrii echipei au trebuit, spune el, să își explice reciproc metodele și să construiască împreună o reprezentare utilă a problemei biologice.
Miza Q-CHIPP este selectarea acelor neoantigene care au șanse să fie recunoscute de sistemul imunitar, dintr-un număr care poate ajunge la mii într-o singură tumoră.
Datele puține limitează modelele clasice de predicție
Neoantigenele sunt proteine anormale care apar la suprafața unei celule canceroase după acumularea unor mutații în ADN. Ele pot semnala sistemului imunitar că respectiva celulă este străină sau periculoasă. Totuși, dintre numeroasele variante posibile, foarte puține ajung să provoace un răspuns imun.
Identificarea lor este relevantă pentru dezvoltarea vaccinurilor împotriva cancerului și a altor tratamente care urmăresc să îndrume sistemul imunitar către ținte tumorale. În 2024, cercetătorii Cleveland Clinic au publicat un atlas cu 196 de neoantigene candidate considerate susceptibile să declanșeze un asemenea răspuns.
Pentru învățarea automată, 196 de exemple reprezintă însă un set mic, potrivit cercetătorilor. Modelele care încearcă să descopere tipare complexe din puține observații pot ajunge la supraînvățare: funcționează bine pe datele de antrenare, dar au performanțe mai slabe când întâlnesc exemple noi.
Q-CHIPP a fost conceput tocmai pentru această limitare și poate extrage tipare biologice din seturi de antrenare care conțin doar 150 de exemple.
Modelul a fost extins la 46 de qubiți
Cadrul, denumit complet Quantum Convolutional HLA Immunogenic Peptide Prediction, combină într-un singur sistem predicția prezentării antigenelor cu estimarea răspunsului la imunoterapie. Echipa a raportat și extinderea abordării pe hardware cuantic, până la modelarea peptidelor pe întreaga lor lungime cu 46 de qubiți.
Sara Capponi, autoare corespondentă și cercetătoare senior la IBM Research, afirmă că numai reunirea unei game atât de largi de competențe a permis transpunerea caracteristicilor sistemului imunitar în circuite cuantice, păstrarea corespondenței dintre matematică și biologie și validarea rezultatelor pe date reale provenite de la pacienți.
În termeni practici, o predicție mai bună ar putea restrânge lista țintelor care merită investigate pentru imunoterapii personalizate și vaccinuri de generație următoare. Aceasta este însă o posibilă utilizare viitoare: studiul descrie un cadru predictiv, nu demonstrează eficiența unui tratament administrat pacienților. Echipa intenționează să îmbunătățească în continuare modelul pentru identificarea mai precisă a țintelor terapeutice.
Credeți că modelele cuantice precum Q-CHIPP vor deveni instrumente obișnuite în cercetarea oncologică sau avantajul lor va rămâne dependent de probleme foarte specifice?
