Исследование, проведенное учеными, поможет фармацевтам подбирать наиболее эффективную дозировку и определять результативность новых онкологических препаратов на ранних стадиях клинических испытаний. Сравнив разнообразные математические модели, часто применяемые для прогнозирования роста опухолей, специалисты выделили те, которые точнее всего могут предсказать реакцию новообразования на терапию. Итоги исследования планируется внедрить в цифровую платформу «Онкомонитор». Эксперты подчеркнули значимость подобного инструментария для коммерциализации новых лекарственных средств, однако сообщили «Известиям», что необходимо расширить исследования на большее количество заболеваний.
Модели прогнозирования развития опухолейВ Центре математического моделирования лекарственной разработки при Сеченовском университете впервые провели сравнительный анализ пяти популярных моделей, предназначенных для оценки динамики опухолевого процесса в процессе подбора медикаментов.
Как рассказали «Известиям» исследователи, одной из самых сложных задач при создании новых противоопухолевых средств является определение оптимальной дозы и оценка эффективности медикамента на начальных этапах клинических исследований, когда информации очень мало. Для этого специалисты применяют математические модели, которые описывают поведение опухоли под воздействием лекарственных средств и прогнозируют ее развитие. До настоящего времени не было ясно, какая из моделей работает лучше всего.
Для анализа использовались клинические данные 381 пациента с немелкоклеточным раком легких (НМРЛ). При помощи продвинутых методов статистики ученые выделили три модели — BiExp, LExp и TGI — и определили области их наилучшего применения. Модель ингибирования роста опухоли TGI (Кларет) оказалась наиболее точной в описании текущих данных и краткосрочном прогнозе. Модель LExp продемонстрировала высокую стабильность при долгосрочном прогнозе (до 16 месяцев).
Хотя все три модели хорошо предсказывали объективный ответ опухоли, являющийся ключевым показателем эффективности терапии, ни одна из них не смогла с точностью определить момент возникновения резистентности опухоли — это задача для будущих исследований.
— «Наша работа предоставляет исследователям и фармкомпаниям методику для подбора наиболее подходящей модели, позволяющей точнее оценивать динамику роста опухолей и принимать решения в ходе клинических испытаний», — сказала младший научный сотрудник Центра математического моделирования в разработке лекарств Анна Мишина. — «Это важный шаг к персонализации терапии и ускорению создания новых противораковых препаратов».
Результаты работы будут внедрены в цифровую платформу «Онкомонитор», которая поможет врачам и исследователям строить более точные прогнозы выживаемости и подбирать наиболее эффективное лечение для онкологических пациентов, добавили ученые.
Математическое моделирование при испытании лекарствОпределение оптимальной дозировки для терапии онкологических больных — одна из важных задач. Недостаточная доза не обеспечивает нужного эффекта, в то время как избыточная вызывает сильные токсические реакции. Поскольку препараты против рака обладают серьезными побочными эффектами и воздействуют на ослабленный болезнью организм, возникают дополнительные сложности, отметил «Известиям» заведующий лабораторией анализа здоровья и цифровизации здравоохранения МФТИ Станислав Отставнов.
Данное исследование позволит фармацевтическим компаниям и ученым получить конкретные рекомендации по выбору методик на ранних стадиях разработки препаратов. Это может обеспечить экономию времени и ресурсов за счет работы с самыми перспективными вариантами. Модели хорошо оценивают объективный ответ опухоли, что существенно для определения дозировки и проведения третьей фазы клинических испытаний, добавил эксперт НТИ «Хелснет» и онколог из НМИЦ онкологии имени Н.Н. Петрова Максим Котов.
— «Главная проблема, на которую честно указали авторы, состоит в том, что ни одна модель не смогла предсказать время развития резистентности», — отметил он. — «Для практической онкологии это серьезное ограничение, так как прогрессирование опухоли при терапии определяет необходимость изменения тактики лечения. Кроме того, математические платформы пока остаются инструментами для популяционного, а не индивидуального прогноза».
По словам Котова, индивидуальные особенности ответа, связанные с молекулярным профилем опухоли, ее микроокружением и иммунным статусом пациента, в таких моделях недостаточно учитываются, так как для этого нужна большая база данных.
Улучшение точности прогнозов на ранних стадиях клинической разработки (фазы I–II) может сократить затраты фармацевтических компаний на 30–40%, что составляет сотни миллионов долларов экономии на одном препарате. Это также ускорит запуск эффективных лекарств на рынок, что критично для пациентов с онкологией, для которых важен каждый месяц жизни, считает доцент УрФУ и МФТИ Максим Колясников. Исследование может стать методологической базой для российских платформ разработки медикаментов, особенно с учетом санкций и необходимости замещения зарубежных решений.
— «Однако для конкурентоспособности нужно реалистично оценивать перспективы: выборка из 381 пациента с НМРЛ относительна мала по сравнению с огромными базами FDA и EMA, в которых тысячи случаев. Крупные фармкомпании, такие как Roche, Pfizer, Novartis, уже применяют схожие методы, инвестируя десятки миллионов долларов в собственные AI-платформы фармакометрики. Критично, что ни одна модель не смогла предсказать резистентность — ключевую проблему онкотерапии, что снижает практическую ценность этих методов», — пояснил Колясников «Известиям».
Для успешной конкуренции на мировом уровне необходимы расширение выборок, проверка на различных нозологиях и, главное, доказательства реального улучшения клинических исходов в проспективных испытаниях, резюмировал эксперт.
Результаты исследования ученых опубликованы в журнале CPT: Pharmacometrics and Systems Pharmacology.