人工智能算法寻找胶质母细胞瘤靶点

作者：西尔维斯特综合癌症中心

用于精准靶向胶质母细胞瘤中主激酶的 SPHINKS 网络。资料来源：Antonio Iavarone, M.D.

迈阿密大学米勒医学院西尔维斯特综合癌症中心（Sylvester Comprehensive Cancer Center）的科学家们与国际研究人员合作开发出了一种复杂的人工智能算法，该算法可进行高级计算分析，以确定多形性胶质母细胞瘤（GBM）和其他癌症的潜在治疗靶点。

他们的研究成果发表在 2 月 2 日出版的《自然-癌症》（Nature Cancer）杂志上，可能会对未来治疗多形性胶质母细胞瘤（一种侵袭性、通常致命的脑癌）以及某些乳腺癌、肺癌和儿科癌症产生深远影响。

"西尔维斯特综合癌症中心副主任、该研究的资深作者、医学博士安东尼奥-伊瓦隆（Antonio Iavarone）解释说："我们的工作代表了转化科学，为改变胶质母细胞瘤患者在临床上的常规治疗方式提供了直接机会。"我们的算法可应用于癌症精准医疗，为肿瘤学家提供了一种新的工具来对抗这种致命的疾病以及其他癌症。

这种名为SPHINKS--基于底物磷酸盐的激酶网络推断（Substrate PHosphosite-based Inference for Network of KinaseS）的人工智能算法利用深度机器学习帮助研究人员识别并通过实验验证了两种蛋白激酶（PKCδ和DNAPKcs），它们是与两种GBM亚型的肿瘤进展相关的罪魁祸首，也是其他癌症的潜在治疗靶点。

蛋白激酶是目前用于精准癌症医学的关键靶点，可根据患者的特定癌症特性进行治疗。研究人员在论文中将最活跃的激酶称为 "主激酶"，临床医生将靶向药物作为目前癌症治疗的标志。

除了确定主激酶外，Iavarone 博士及其同事还利用实验室中从病人样本培育出的肿瘤器官组织--他们称之为 "病人衍生的肿瘤化身"--来证明干扰主激酶活性的靶向药物可以抑制肿瘤生长。

此前，Iavarone 博士及其团队曾报告过一种新的胶质母细胞瘤分类方法，该方法通过捕捉关键肿瘤细胞特征，并根据胶质母细胞瘤患者的生存可能性和肿瘤对药物的易感性对其进行分组。在新研究中，这些分类通过多个全息平台得到了独立证实：基因组学（基因）、蛋白质组学（蛋白质）、脂质组学（脂肪分子）、乙酰组学（表观遗传学）、代谢组学（代谢物）等。

SPHINKS利用机器学习来完善这些组学数据集，并创建一个相互作用组（一套完整的生物相互作用），从而精确定位在每种胶质母细胞瘤亚型中产生异常生长和耐药性的激酶。这些研究结果表明，多组学数据可以生成新的算法，根据每位患者的胶质母细胞瘤亚型预测哪些靶向疗法可以提供最佳治疗方案。

"Iavarone博士说："我们现在可以根据不同组学共同的生物学特征对胶质母细胞瘤患者进行分层。"仅阅读基因组是不够的。我们需要更全面的数据来识别肿瘤的弱点"。

尽管许多其他癌症的治疗取得了突破性进展，但胶质母细胞瘤患者的预后仍然不容乐观--五年生存率低于 10%。尽管正在开发许多药物作为潜在的治疗手段，但临床医生需要一种方法来确定驱动每位患者疾病的分子机制，并适用于癌症精准医疗。

研究人员表示，SPHINKS算法和相关方法可以很容易地融入分子病理学实验室。他们的论文包括一个临床分类器，可帮助为每位患者分配适当的胶质母细胞瘤亚型。研究小组还建立了一个在线门户网站来访问该算法。作者认为，这种方法可以产生有洞察力的信息，使多达75%的胶质母细胞瘤患者受益。

"西尔维斯特癌症中心生物化学和分子生物学教授、该研究的共同第一作者、医学博士安娜-拉索雷拉（Anna Lasorella）说："这种分类器基本上可用于任何实验室。"通过将 omics 信息导入门户网站，病理学家可以获得一个肿瘤、十个肿瘤或更多肿瘤的分类信息。这些分类可以立即应用到病人护理中"。

虽然SPHINKS首先在胶质母细胞瘤上进行了测试，但该算法同样适用于其他几种癌症。研究小组在乳腺癌、肺癌和小儿脑瘤中发现了相同的致癌激酶。Iavarone和Lasorella博士及其同事认为，这一发现可能会推动新型临床试验的开展。

"我们正在探索篮子试验的概念，"Iavarone 博士解释说，"篮子试验将包括以下内容

(责任编辑：泉水)

搜索

热门标签:

人工智能算法寻找胶质母细胞瘤靶点