利用人工智能有望幫助臨床醫生做出更好的癌癥治療決定

　　在治療癌癥患者時，腫瘤學家想要預測患者的病程，以做出關鍵的治療決定。了解腫瘤獨特的分子特征可以幫助指導這些決定，為癌癥是生長緩慢還是具有侵襲性和致命性或者是會抵制治療提供線索。新的分子譜技術產生了大量關于腫瘤的信息，但醫生們一直在努力將所有這些數據轉化為有意義的預后。

　　在一項新的研究中，來自美國布羅德研究所和丹娜-法伯癌癥研究所的研究人員開發出一種新的模型，可以區分致命的前列腺癌和那些不太可能導致癥狀或死亡的前列腺癌的基因組特征。它還可以幫助臨床醫生預測前列腺癌患者的腫瘤是否會擴散到身體的其他部位，或者隨著時間的推移變得對治療變得更具抵抗性。這種稱為P-NET的模型還能識別可能與疾病進展有關的分子特征、基因和生物通路。P-NET使用基于機器學習的算法來分析腫瘤的已知分子特征，并指出腫瘤是否已經或將可能擴散到身體的不同部位---這是一種侵襲性和潛在致命性癌癥的標志。該模型還可能幫助癌癥科學家們更多地了解抵抗性疾病的生物學特性，而且它可能可以推廣到其他癌癥。相關研究結果于2021年9月22日在線發表在Nature期刊上，論文標題為“Biologically informed deep neural network for prostate cancer discovery”。

　　論文通訊作者、丹娜-法伯癌癥研究所副教授Eliezer (Eli) Van Allen說，P-NET提供的不僅僅是對患者的預后判斷。他說，“我們不僅提高了預測癌癥是否會轉移的能力，以及哪些基因可能與這種狀態有關，而且作為癌癥研究人員，我們可以利用這種模型的可解釋性來了解這些疾病狀態的生物學特性。”

　　建立一種更好的模型

　　為了建立一種能夠區分早期和晚期前列腺癌腫瘤的模型，這些作者開發了一種專門的深度學習模型，與其他算法相比，該模型具有定制架構和改進的可解釋性。在深度學習模型中，多層神經網絡從大型數據集中“學習”，以便像人腦一樣識別模式。

　　這些作者利用這種方法將生物信息，如基因和代謝或信號通路之間的已知關系，直接編碼到他們的模型中。然后，他們利用1000多名前列腺癌患者的基因組序列和體細胞（即非遺傳性）突變等數據訓練P-NET，以便預測腫瘤是否具有侵襲性。當他們使用來自其他前列腺癌患者的數據測試他們的模型時，他們發現它能正確區分80%的轉移性腫瘤和原發的進展較慢的腫瘤。這表明這種經過訓練的模型能夠對新數據執行相同的功能。

　　通過研究P-NET并根據基因和通路的重要性對其進行加權，他們還發現基因MDM4可能參與了前列腺癌的進展和抗藥性。此前，科學家們認為該基因與其他癌癥有關，但與前列腺癌無關。他們發現MDM4在前列腺腫瘤細胞中的過度表達與抗藥性有關。當他們使用基因編輯關閉該基因時，癌細胞增殖減少，表明它們可能對治療更敏感。這些結果表明他們可能重新利用抑制MDM4的藥物--其中的一些藥物目前正在研究用于治療其他癌癥---治療前列腺腫瘤。

　　這些作者說在經過修改后，P-NET也可能幫助腫瘤學家預測其他癌癥的疾病進展和治療反應。論文**作者、布羅德研究所副研究員Haitham Elmarakeby說，“這種架構并不局限于前列腺癌。我們的模型有很大的潛力，可以以不同的方式進行擴展。”

　　Van Allen補充說，隨著他和他的團隊將其他種類的數據---包括更多的遺傳和成像數據---整合到這種模型中，P-NET將繼續得到改善。他說，“對于我們如何能夠實現癌癥生物學和機器學習之間的融合，這只是一個開始。這種融合是我們相信我們能夠真正為癌癥患者提供更多發現的地方。”