显示前列腺癌的组织学幻灯片
信用:奥蒂斯·布劳利 当治疗癌症患者时，肿瘤学家的目标是预测患者的病程，以做出关键的治疗决策
了解肿瘤独特的分子特征有助于指导这些决定，因为它提供了关于癌症是生长缓慢还是侵袭性和致命性的线索，或者是抵抗治疗的线索
新的分子特征分析技术已经产生了大量关于肿瘤的信息，但是医生们一直在努力将这些数据转化为有意义的预测
麻省理工学院和哈佛大学布罗德研究所以及达纳法伯癌症研究所的研究人员开发了一种新的模型，可以区分致命前列腺癌和不太可能引起症状或死亡的前列腺癌的基因组图谱
它还可以帮助临床医生预测前列腺癌患者的肿瘤是否会扩散到身体的其他部位，或者随着时间的推移变得对治疗更有抵抗力
这个被称为P-NET的模型还可以识别可能与疾病进展相关的分子特征、基因和生物途径
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，并指示肿瘤是否已经或将可能扩散到身体的不同部位——这是一种具有攻击性和潜在致命性的癌症的迹象
该模型发表在《自然》杂志上，还可以帮助癌症研究人员了解更多关于耐药疾病的生物学知识，并且它可能推广到其他癌症
“P-NET为患者提供的不仅仅是一种预测，”布罗德研究所的助理成员、达纳-法伯癌症研究所和哈佛医学院的副教授、该研究的资深作者埃利泽(伊莱)范艾伦说
他说:“我们不仅提高了预测癌症是否会转移以及哪些基因可能与这种状态相关的能力，而且作为癌症研究人员，我们可以利用这种模型的可解释性来了解这些疾病状态的生物学。”
构建更好的模型 为了建立一个可以区分早期和晚期前列腺癌肿瘤的模型，研究人员开发了一个专门的深度学习模型，与其他算法相比，该模型具有定制的架构和改进的可解释性
在深度学习模型中，多层神经网络从大数据集“学习”，像人脑一样识别模式
利用这种方法，该团队——由达纳-法伯癌症研究所讲师、布罗德附属研究所研究员、该研究的第一作者海瑟姆·埃尔马拉克比(Haitham Elmarakeby)领导——将生物信息(如基因与代谢或信号通路之间的已知关系)直接编码到他们的模型中
然后，他们训练P-NET，利用基因组序列和1000多名前列腺癌患者的体细胞突变或非遗传突变等数据来预测肿瘤是否具有侵袭性
当研究小组用其他前列腺癌患者的数据测试他们的模型时，他们发现该模型正确地区分了80%的转移性肿瘤和原发性晚期肿瘤
这表明训练好的模型能够对新数据执行相同的功能
通过检查P-NET并根据其重要性对基因和途径进行加权，研究小组还确定了MDM4基因可能与前列腺癌进展和耐药性有关
科学家此前曾暗示该基因与其他癌症有关，但与前列腺癌无关
在布罗德研究所成员威廉·哈恩实验室的合作下，该团队发现前列腺肿瘤细胞中MDM4的过度表达与耐药性有关
当他们使用基因编辑关闭基因时，细胞增殖减少，表明癌细胞对治疗更敏感
这些结果表明，科学家可以将抑制MDM4的药物重新用于治疗前列腺肿瘤，其中一些药物目前正在针对其他癌症进行研究
研究人员表示，经过修改后，P-NET还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:“这种架构不仅限于前列腺癌。”
“我们的模式有很大的潜力，可以通过不同的方式进行扩展
" 范艾伦补充说，随着他和他的团队将其他类型的数据——包括更多的遗传和成像数据——整合到模型中，P-NET将继续改进
他说:“这只是我们如何实现癌症生物学和机器学习融合的开始。”
“这种融合是我们相信能够真正为癌症患者带来更多发现的地方
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
