Nat Commun：利用机器学习技术或能准确预测抗癌药物的作用效果
来源：本站原创 2020-11-04 09:24
2020年11月4日 讯 /生物谷BIOON/ --近日，一项刊登在国际杂志Nature Communications上的研究报告中，来自韩国浦项科技大学等机构的科学家们通过研究表示，利用机器学习技术或能有效预测抗癌药物的治疗疗效。目前，随着药物基因组学的出现和发展，研究人员就能利用此前收集的患者对药物反应的数据所衍生的算法，进行机器学习研究来帮助预测不同患
2020年11月4日 讯 /生物谷BIOON/ --近日，一项刊登在国际杂志Nature Communications上的研究报告中，来自韩国浦项科技大学等机构的科学家们通过研究表示，利用机器学习技术或能有效预测抗癌药物的治疗疗效。目前，随着药物基因组学的出现和发展，研究人员就能利用此前收集的患者对药物反应的数据所衍生的算法，进行机器学习研究来帮助预测不同患者对药物的反应，而输入尽可能多能反应个体药物反应的高质量学习数据或许也能作为一个研究起点来帮助改善机器学习预测的准确性。
相比人类临床研究数据而言，此前研究人员使用的动物模型临床前试验结果就能相对更加容易获得。这项研究中，研究人员使用与真人反应最接近的数据就能成功提高抗癌药物反应预测的准确性，研究人员开发的这种新型机器学习技术能利用算法从来自实际病人（而并非动物模型）的人工类器官中学习转录组学信息。
图片来源：Unsplash/CC0 Public Domain
研究者表示，即使相同类型癌症的患者也会对抗癌药物产生不同的反应，因此在癌症疗法的开发过程中，进行不同患者的定制治疗就显得尤为重要了；然而，目前研究人员的预测是基于癌细胞的遗传信息，这就限制了预测的准确性，由于不必要的生物标志物信息，因此机器学习也会出现基于错误信号的学习问题。
为了增加预测的准确性，研究人员引入了能利用蛋白质互作网络的机器学习算法，这种蛋白质互作网络能与靶向蛋白和单一蛋白的转录组（直接与药物靶点相关）相互作用，这就能够促进对蛋白质转录组产生的学习，而这种蛋白质在功能上与靶向蛋白非常接近，通过这种操作，研究人员就能对选定的生物标志物进行学习，而并不是传统机器学习技术必须学习的错误生物标志物，这就间接提高了预测的准确性。此外，来自患者衍生类器官（并非动物模型）的数据还能被用来缩小实际患者出现反应的差异性，最后研究者表示，利用所开发的新方法，他们就能对接受5-氟尿嘧啶治疗的结直肠癌患者和利用顺铂治疗的膀胱癌患者进行与实际临床结果具有可比性的预测了。（生物谷Bioon.com）
原始出处：
Kong, J., Lee, H., Kim, D. et al. Network-based machine learning in colorectal and bladder organoid models predicts anti-cancer drug efficacy in patients. Nat Commun 11, 5485 (2020). doi：10.1038/s41467-020-19313-8
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
