人工智能测试可以在不到两天的时间内预测有效的抗癌药物组合

科学家们发明了一种原型测试，可以在24到48小时内预测哪种药物组合可能对癌症患者有效。

他们的尖端技术使用人工智能来分析肿瘤样本中的大规模蛋白质数据，并且能够比目前更准确地预测患者对药物的反应。

对肿瘤的基因分析可以揭示促进癌症生长的突变，其中一些可以作为治疗的目标，但基因组学本身并不能提供足够准确的预测来进行选择药物组合。

伦敦癌症研究所的科学家们在实验室的单个癌细胞和从非小细胞肺癌患者肺液中分离出来的肿瘤细胞上测试了这项新技术。

他们的研究发表在杂志上分子癌症治疗该研究由英国国家健康研究所(NIHR)、惠康基金会(Wellcome)、英国癌症研究所(Cancer Research UK)和英国癌症研究所(ICR)资助，该研究所既是一个研究机构，也是一个慈善机构。

训练机器学习算法

科学家们进行了“蛋白质组学”分析，检查了52种重要蛋白质的变化，以及它们如何相互作用以应对气候变化药物治疗。然后，研究人员训练机器学习算法来定义预测药物反应的关键蛋白质变化。

首先，研究人员使用该算法预测细胞对个别癌症药物的敏感性。他们发现，该技术可以比基因特征更准确地预测个体药物反应，比如关键基因EGFR、KRAS和pik3ca的突变——这三种遗传标记目前在临床用于预测肺癌的药物反应。

然后，研究人员用同样的方法预测对药物组合的敏感性——在具有不同基因缺陷的肺癌细胞中使用21种不同的双药组合，如EGFR和KRAS突变。

在总共252种药物组合中，128种表现出一定程度的协同作用，这意味着它们的联合效果超过了单个药物加在一起的效果。

其中，人工智能测试在57%的时间内正确识别出排名前五的组合，在83%的时间内正确识别出排名前十的组合。

识别成功的组合

该试验成功地确定了先前已被证明有希望的组合，例如，曲美替尼和capivasertib的组合，或吉非替尼和依维莫司的组合，用于具有EGFR突变的非小细胞肺癌细胞系。

研究人员还能够确定可能的新组合，如vemurafenib和capivasertib，该测试发现它们可能对EGFR或KRAS没有突变的非小细胞肺癌细胞系有效。

因此，这是第一个原型测试，可以提供个性化的预测，哪种药物组合可能对不同的个体起作用。ICR的研究人员认为，这项新技术可以让医生分析药物如何联合作用，从而在克服癌症进化和治疗耐药性方面发挥关键作用。

这项新研究建立了概念证明，但在用于患者之前，该测试还需要进一步验证。这项研究考察了7种不同药物的多种组合，但研究人员已经在计划一项更大规模的后续研究，将测试15种药物，观察与信号转导有关的12000种蛋白质，而不是52种。

“指导医生的潜力”

研究负责人Udai Banerji教授是伦敦癌症研究所的分子癌症药理学教授，也是皇家马斯登NHS基金会信托基金的医学肿瘤学顾问，他说:

“我们的测试为使用人工智能来分析癌细胞内信息流动方式的变化，并预测肿瘤对药物组合的反应提供了概念证明。

“该测试的快速周转时间不到两天，有可能指导医生判断哪种治疗方法最有可能对个人有益。癌症患者。这是向前迈出的重要一步，我们目前的重点是利用基因突变来预测反应。

“我们的研究结果表明，我们的创新方法是可行的，并且比基因分析对非糖尿病患者的预测更准确小细胞肺癌。在这项测试进入临床并指导个性化治疗之前，我们需要进一步验证我们的发现，例如，通过开展一项研究，在已经接受治疗的患者中进行测试，以检查预测是否正确。”

“联合治疗克服耐药性”

伦敦癌症研究所首席执行官克里斯蒂安·赫林教授说:

“我们在癌症研究和治疗中面临的最大挑战之一是癌症适应、进化和产生耐药性的能力。我们预计未来的癌症治疗将是通过联合治疗来克服耐药性，但我们需要更好地预测哪种药物组合对个体患者最有效。

“这项新研究是跨学科合作的一个很好的例子，它整合了我们对癌症生物学、人工智能和临床医学的理解，为一种新的测试提供了概念证明，这种测试可以预测哪种联合治疗最有可能对患者有效。”它展示了人工智能和蛋白质分析在个性化治疗方面的潜在力量，可能是帮助我们解决耐药性问题的重要一步，希望能帮助我们为患者提供更智能、更个性化的治疗选择。”