西尔维斯特综合癌症中心的科学家和合作者开发了强大的人工智能算法

迈阿密大学米勒医学院西尔维斯特综合癌症中心的科学家与国际研究人员合作，开发了一种复杂的人工智能算法，可以执行高级计算分析以确定多形性胶质母细胞瘤 (GBM) 和其他癌症的潜在治疗靶点。

他们的研究发表在 2 月 2 日出版的《自然癌症 》杂志上， 可能对未来治疗 GBM、一种侵袭性的、通常致命的脑癌以及某些乳腺癌、肺癌和儿科癌症产生深远影响。

“我们的工作代表了转化科学，它提供了立即改变胶质母细胞瘤患者在诊所常规管理方式的机会，”西尔维斯特综合癌症中心副主任、该研究的资深作者、医学博士 Antonio Iavarone 解释说。“我们的算法为精准癌症医学提供了应用，为肿瘤学家提供了一种新工具来对抗这种致命疾病和其他癌症。”

被称为 SPHINKS 的 AI 算法——基于底物磷酸盐的激酶网络推理——部署了深度机器学习，以帮助研究人员识别并通过实验验证两种蛋白激酶(PKCδ 和 DNAPKcs)是与两种 GBM 亚型肿瘤进展相关的罪魁祸首并作为其他癌症的潜在治疗靶点。

蛋白激酶是目前用于精准癌症医学的关键靶标，用于根据患者的特定癌症特性定制治疗。最活跃的激酶，研究人员在他们的论文中标记为“主激酶”，是临床医生将靶向药物作为当前癌症治疗的标志的那些。

除了识别主激酶外，Iavarone 博士及其同事还使用在实验室中从患者样本中培养的肿瘤类器官——他们称之为“患者来源的肿瘤化身”——来表明干扰主激酶活性的靶向药物可以阻止肿瘤生长。

此前，Iavarone 博士及其团队报告了一种新的胶质母细胞瘤分类，方法是捕获关键的肿瘤细胞特征，并根据 GBM 患者的存活可能性和肿瘤对药物的易感性对其进行分组。在这项新研究中，这些分类通过几个组学平台独立确认：基因组学(基因)、蛋白质组学(蛋白质)脂质组学(脂肪分子)、乙酰组学(表观遗传学)、代谢组学(代谢物)等。

SPHINKS 利用机器学习来改进这些组学数据集，并创建一个相互作用组——一套完整的生物相互作用——以查明在每个胶质母细胞瘤亚型中产生异常生长和治疗抗性的激酶。这些发现表明，多组学数据可以生成新算法，根据每位患者的胶质母细胞瘤亚型预测哪些靶向疗法可以提供最佳治疗选择。

“我们现在可以根据不同组学之间共有的生物学特征对胶质母细胞瘤患者进行分层，”Iavarone 博士说。“仅仅阅读基因组是不够的。我们需要更全面的数据来识别肿瘤的脆弱性。”

尽管在许多其他癌症方面取得了突破，但胶质母细胞瘤患者的预后仍然很差——五年生存率低于 10%。尽管正在开发许多药物作为潜在疗法，但临床医生需要一种方法来确定驱动每位患者疾病的分子机制，并适用于精准癌症医学。

据研究人员称，SPHINKS 算法和相关方法可以很容易地融入分子病理学实验室。他们的论文包括一个临床分类器，可以帮助为每个患者分配合适的胶质母细胞瘤亚型。该团队还建立了一个在线门户网站来访问该算法。作者认为，这种方法可以产生有见地的信息，可以使多达 75% 的胶质母细胞瘤患者受益。

“这种分类器基本上可以用于任何实验室，”西尔维斯特 CCC 生物化学和分子生物学教授、该研究的共同资深作者、医学博士Anna Lasorella说。“通过将组学信息导入门户网站，病理学家可以获得一个肿瘤、十个肿瘤的分类信息，无论他们导入多少。这些分类可以立即应用于患者护理。”

虽然 SPHINKS 首先在胶质母细胞瘤上进行了测试，但该算法同样适用于其他几种癌症。该团队在乳腺癌、肺癌和小儿脑肿瘤中发现了相同的致癌激酶。博士。Iavarone 和 Lasorella 及其同事认为，这一发现可能会推动新型临床试验。

“我们正在探索篮子试验的概念，”Iavarone 博士解释说，“这将包括具有相同生物学亚型但不一定是相同癌症类型的患者。如果胶质母细胞瘤或乳腺癌或肺癌患者具有相似的分子特征，则可以将他们纳入同一试验，”他继续说道。“与其对单一药物进行多项试验，我们可以进行一项联合试验，并有可能更快地为更多患者提供更有效的药物。”