预测抗癌药物疗效的机器学习

随着药物基因组学的出现，机器学习研究正在顺利进行，以预测患者的药物反应，这些反应不同于之前收集的药物反应数据的算法。输入尽可能反映患者药物反应的高质量学习数据是提高预测准确性的起点。此前，临床前研究采用动物模型，与人类临床数据相比，动物模型比较容易获得。

鉴于此，由Sanguk Kim教授领导的研究团队在Postech在Postech系中通过使用最接近真实人的反应的数据成功提高抗癌药物反应预测的准确性来引起注意。该团队通过算法开发了这项机器学习技术，该技术通过衍生自实际患者而不是动物模型来源于人造有机体的转录组信息。这些研究结果发表在国际期刊上自然通信10月30日。

即使是患有同一癌症的患者也有不同的反应抗癌药物定制化治疗在治疗发展中被认为是最重要的。然而，目前的预测是基于癌细胞的遗传信息，限制了它们的准确性。由于不必要的生物标记信息，机器学习存在基于错误信号学习的问题。

为了提高预测精度，研究团队引入了机器学习算法，使用蛋白质相互作用网络，可以与靶蛋白以及与直接相关的单个蛋白质的转录组药物目标。它诱导转录组学习产生功能接近目标蛋白的蛋白质。通过这种方式，我们可以了解到的只有选定的生物标志物，而不是传统意义上的错误的生物标志物机器学习必须学习，这增加了准确性。

此外，来自患者衍生的有机体 - 不是动物模型的数据 - 用于缩小实际患者中的反应的差异。通过这种方法，预计用5-氟尿嘧啶和膀胱癌患者治疗的结肠直肠癌患者预计将与实际临床结果相媲美。

---

---