机器学习工具可以帮助肿瘤学家做出更好的治疗决策

在治疗癌症患者时，肿瘤学家旨在预测患者疾病的过程以做出关键的治疗决定。了解肿瘤的独特分子签名可以通过提供有关癌症是缓慢的，侵略性和致命的线索，或者可以抵抗治疗的线索，从而帮助指导这些决策。新的分子分析技术已经产生了有关肿瘤的大量信息，但是医生一直在努力将所有数据变成有意义的预后。

麻省理工学院和哈佛大学广泛研究所的研究人员以及达纳 - 法伯癌研究所开发了一种新模型，可以区分分化的基因组概况前列腺致命的癌症和不太可能引起症状或死亡的癌症。它还可能帮助临床医生预测前列腺是否癌症患者'瘤随着时间的流逝，将蔓延到身体的其他部位或对治疗的耐药性更具耐药性。该模型称为P-NET，还可以鉴定可能与疾病进展有关的分子特征，基因和生物学途径。P-NET使用基于机器学习的算法来分析肿瘤的已知分子特征，并指示肿瘤是否或可能扩散到身体的不同部分，这是一种侵略性且潜在的致命癌症的迹象。出版于自然，该模型还可以帮助癌症研究人员更多地了解抗药性疾病的生物学，并且可能对其他癌症也可以推广。

埃利泽（Eli）范·艾伦（Elie）范·艾伦（Elizer）范·艾伦（Elizer）范·艾伦（Elizer）范·艾伦（Elizer）范·艾伦（Elizer）范·艾伦（Elizer（Eli）范·艾伦（Van Allen）），达纳·法伯癌症研究所（Dana-Farber Cancer Institute）和哈佛医学院（Harvard Medical School）的副教授，该研究的高级作者说。“我们不仅可以提高预测癌症是否会转移的能力，哪些基因可能与该状态相关，而且作为癌症研究人员，我们可以使用该模型的解释性来了解这些疾病状态的生物学，即“ 他说。

建立更好的模型

为了建立一个可以区分早期和晚期前列腺癌肿瘤的模型，研究人员开发了一种专门的深度学习模型，与其他算法相比，具有自定义体系结构和改善的可解释性。在深度学习模型中，多层神经网络从大型数据集中“学习”，以将模式识别为人脑。

使用这种方法，由Dana-Farber Cancer Institute的教练Haitham Elmarakeby，Broad的会员研究员和研究的第一作者领导的团队编辑了生物学信息，例如基因与代谢或信号通路之间的已知关系，直接进入他们的模型。然后，他们对P-NET进行了训练，以预测使用诸如基因组序列以及1,000多名前列腺癌患者的躯体序列以及躯体序列或未固定突变的数据是侵略性的。当团队对其他前列腺癌患者的数据测试模型时，他们发现它正确区分了80％的转移性肿瘤与原发性，不太晚期肿瘤。这表明训练有素的模型能够在新数据上执行相同的功能。

通过检查P-NET和加权基因和基于其重要性的途径，该团队还确定了该基因MDM4可能参与前列腺癌的进展和耐药性。科学家以前曾在其他癌症中牵涉到该基因，但没有前列腺癌。该小组与威廉·哈恩（William Hahn）的实验室合作，发现前列腺肿瘤细胞中的MDM4过表达与耐药性有关。当他们使用基因编辑关闭基因时，细胞增殖减少了，表明癌细胞可能对治疗更敏感。这些结果表明，科学家可以重新使用抑制MDM4的药物（目前正在研究其他癌症）来治疗前列腺肿瘤。

研究人员说，通过修改，P-NET也可以帮助肿瘤学家预测其他癌症的疾病进展和治疗反应。Elmarakeby说：“这种建筑不仅限于前列腺癌。”“我们的模型有很多以不同方式扩展的潜力。”

范·艾伦（Van Allen）补充说，当他和他的团队整合其他类型的数据（包括更多遗传和成像数据）时，P-NET将继续改善模型。他说：“这仅仅是我们如何在癌症生物学和机器学习之间产生融合的开始。”“这种融合是我们相信我们可以真正提供更多发现的地方癌症患者。”

---

---