根据癌症患者肿瘤中独特的遗传信息匹配相适应的治疗选择,这一精准医疗的新方向往往因为难以确定出所有可能对某一疗法产生应答的患者而难以广泛应用。据《Cell Reports》杂志近日在线发表的一份来自宾夕法尼亚大学的研究报告称,患者的其他分子信息可能会揭示出这些所谓的“隐藏应答者”。
宾夕法尼亚大学佩雷尔曼医学院药理学助理教授Casey Greene博士表示,靶向测序可以发现某些带有对抗癌药敏感的基因突变的个体,但许多人缺乏这些突变,而机器学习方法的改进可能会帮助这些患者找到合适的治疗方法。
机器学习属于人工智能的一个分支,能够使用数据来进行学习和预测。Greene和论文第一作者Gregory P. Way利用机器学习对肿瘤中异常的蛋白活跃进行分类,他们设计的搜索癌症基因组图谱(TCGA)的算法整合了33种不同癌症类型的基因数据,Greene和Way使用了转录组信息,即在个体内表达的所有信使RNA,这些“隐藏应答者”的转录组信息也许能揭示应答分子状态。
Evaluating Machine-Learning Classification of Ras Activation
研究人员特别将模型应用于Ras通路,它能产生控制细胞复制和死亡的蛋白质,Ras蛋白的正常功能的变化--其突变大约导致了30%的癌症--可以使癌细胞生长和扩散,这些基因突变,是各种临床试验性抑制剂药物和疫苗治疗失败的一大原因。
This image shows machine learning and 'hidden responders'.
Credit: Casey Greene, PhD Perelman School of Medicine, University of Pennsylvania, Cell Reports
“这一模型是通过对TCGA中人类肿瘤的遗传数据进行训练,并能够预测某些抑制剂的反应。” Greene表示,转录组以往用于肿瘤精准治疗中的作用被低估了,当与机器学习相结合时,它可以帮助识别潜在的“隐藏应答者”。
研究人员正在努力研究,通过机器学习分析失控的Ras活跃度和肿瘤数据,以帮助患者找到合适的治疗方法。
原文检索:《Machine Learning Detects Pan-cancer Ras Pathway Activation in The Cancer Genome Atlas》
文章来源:新浪医药
{replyUser1} 回复 {replyUser2}:{content}