• 发布日期：2024-04-22
  分享

子科生物报道：癌症有200多种，每种癌症都是独特的，开发精确肿瘤治疗的持续努力仍然令人望而生畏。大部分的焦点都集中在开发基因测序测定或分析，以识别癌症驱动基因的突变，然后尝试匹配可能对抗这些突变的治疗方法。仍有许多癌症患者无法从这些早期的靶向治疗中获益。

在2024年4月18日发表在《Nature Cancer》杂志上的一项新研究中，美国国家癌症研究所的Sanju Sinha博士，以及美国国立卫生研究院(NIH)的科学家们描述了一种史无前例的计算途径，可以在单细胞分辨率下系统地预测患者对癌症药物的反应。

这种新的基于人工智能的方法被称为基于个性化单细胞表达的肿瘤治疗计划——PERCEPTION，它更深入地研究了转录组学的应用——转录因子的研究，转录因子是由携带DNA信息并将其转化为行动的基因表达的信使RNA分子。Sinha和他的同事利用转化学习(transfer learning，人工智能的一个分支)来构建PERCEPTION，使用了大规模细胞系药物筛选中可公开获得的、匹配的批量样本（bulk）和单细胞(sc)表达谱，其中批量样本表达数据用来训练人工智能，单细胞表达谱用于调整模型。这些资源有助于建立基于患者单细胞肿瘤转录组学的治疗反应模型。在培养细胞和患者肿瘤源性原代细胞中，以及在多发性骨髓瘤和乳腺癌的两项临床试验中，PERCEPTION成功预测了对靶向治疗的反应。在每种情况下，PERCEPTION都正确地将患者分为应答者和无应答者两类。在接受酪氨酸激酶抑制剂治疗的肺癌患者中，随着疾病的发展，它甚至还捕捉到了耐药性的发展，这是一个具有巨大潜力的重大发现。在所有临床队列中，PERCEPTION优于已发表的最先进的基于单细胞和基于批量的预测指标。这项工作利用肿瘤的单细胞表达谱进行患者分层，将鼓励在临床环境中采用单细胞组学分析，增强基于单细胞组学的精确肿瘤学工具。PERCEPTION可访问https://github.com/ruppinlab/PERCEPTION。

“肿瘤是一种复杂而不断进化的野兽。使用单细胞分辨率可以让我们解决这两个挑战，”Sinha说。“PERCEPTION允许使用单细胞组学中的丰富信息来了解肿瘤的克隆结构并监测耐药性的出现。(在生物学中，组学指的是细胞内成分的总和。) “对我来说，监测耐药性出现的能力是最令人兴奋的部分。它有可能让我们适应癌细胞的进化，甚至修改我们的治疗策略。”“来自诊所的有限单细胞数据是我们最大的挑战。人工智能模型需要大量数据来了解疾病，就像ChatGPT需要从互联网上抓取大量文本数据一样。”

Sinha表示，PERCEPTION还没有为临床做好准备，但是这种方法表明，单细胞信息可以用来指导治疗。他希望鼓励在诊所采用这项技术，以产生更多的数据，这些数据可用于进一步开发和完善临床使用的技术。“预测的质量随着作为其基础的数据的质量和数量的提高而提高，”“我们的目标是创建一种临床工具，能够以系统的、数据驱动的方式预测个体癌症患者的治疗反应。我们希望这些发现能激发更多的数据和更多这样的研究，越早越好。”