EJCI：科学家成功利用机器学习技术来识别人类癌症风险因素

癌症是全球发病率和死亡率的主要原因，更好地理解诱发癌症的风险因素或许能加强人们对癌症的预防；近日，一篇发表在国际杂志European Journal of Clinical Investigation上题为“Hypothesis-free discovery of novel cancer predictors using machine learning”的研究报告中，来自南澳大学等机构的科学家们通过研究识别出了一系列代谢生物标志物，其或能帮助预测人类患癌的风险。

这项研究中，研究人员利用机器学习技术来分析来自英国生物样本库中459,169名参与者的数据，同时他们还识别出了84个指示癌症风险增加的特征。多种标志物还标志着慢性肾病或肝脏疾病的发生，也强调了探索这些疾病潜在的致病机制与癌症潜在关联的重要性。研究者Madakkatel博士说道，我们利用人工智能技术和统计学方法进行了一项无假设的分析，并从2800多个特征中识别出了癌症风险因素。该模型识别出的超过40%的特征被发现都是生物标志物（根据其状态能表明健康或不健康的生物分子），其中一些与癌症风险和肾脏或肝脏疾病有关。

研究者认为，这项研究或能为阐明促进癌症风险的机制提供重要的信息，随着机体年龄的增长，高水平的尿液微量白蛋白（microalbumin）是癌症风险的最高预测指标，白蛋白是机体组织生长和愈合所需的血清蛋白，但当其在尿液中存在时或许并不仅仅是肾脏疾病的指标，也是癌症风险的指标。同样的，肾脏功能不佳的其它指标（诸如高水平的血清胱抑素C、高水平的尿肌酐（肾脏过滤的废弃物））以及总体上总血清蛋白或许都与癌症风险直接相关。研究人员还识别出更大的红细胞分布宽度（RDW，red cell distribution width）或红细胞尺寸的变化或许都与癌症风险增加直接相关。

科学家成功利用机器学习技术来识别人类癌症风险因素。

图片来源：European Journal of Clinical Investigation (2023). DOI:10.1111/eci.14037

在正常情况下，红细胞的尺寸应该都差不多，如果有差异的话，其就可能会与机体炎症水平增加以及肾脏功能下降有关，正如本文研究揭示的那样，个体患癌的风险或许会更高。 此外，研究者还发现，高水平的C反应蛋白（机体全身性炎症的指标）与癌症风险增加直接相关，而且高水平的谷氨酰转移酶（GGT，gamma glutamyl transferase，一种肝脏压力相关的生物标志物）或许也与癌症风险增加有关。研究者表示，这项研究的优势在于使用了机器学习技术，在该技术的帮助下，我们的模型就显示，其能整合并交叉参考数千个特征，从而识别出相关的风险预测因素，否则这些因素可能会被隐藏起来。有趣的是，尽管我们的模型包含了数千条特征信息，包括临床、行为和社会因素，但很多都是生物标志物，这或许就会反映癌症诊断前机体的代谢状态。

尽管后期研究人员还需要进一步研究来确认因果关联和临床相关性，但这项研究表明，通过相对简单的血液检测或许就能获得关于未来机体患癌的相关信息，这一点非常重要，因为它能让我们在仍有可能预防这种疾病的阶段时尽可能早地采取行动。综上，本文研究结果表明，这种无假设的分析表明，个体特征、机体代谢生物标志物、身体测量和吸烟或许是癌症风险的预测因素，后期还需要研究人员进一步研究来证实这种因果关联和临床相关性。（生物谷Bioon.com）

原始出处：

Iqbal Madakkatel, Amanda L. Lumsden, Anwar Mulugeta, et al. Hypothesis‐free discovery of novel cancer predictors using machine learning, European Journal of Clinical Investigation (2023). DOI:10.1111/eci.14037