预测抗癌药物功效的机器学习

随着药物基因组学的出现，机器学习的研究正在顺利进行，通过从以前收集的药物反应数据中提取的算法，预测患者的药物反应因人而异。输入能够尽可能反映患者药物反应的高质量学习数据是提高预测准确性的起点。以往，临床前动物模型研究相对于人类临床数据更容易获得。

有鉴于此，由韩国POSTECH大学生命科学系的Sanguk Kim教授领导的一个研究小组通过使用最接近真人反应的数据，成功地提高了抗癌药物反应预测的准确性，从而引起了人们的注意。该团队通过算法开发了这种机器学习技术，该算法从来自实际患者而不是动物模型的人工类器官中学习转录组信息。这些研究结果发表在国际期刊上自然通讯10月30日。

即使是患有同一种癌症的病人也会有不同的反应抗癌药物因此，在治疗发展中，定制治疗被认为是至关重要的。然而，目前的预测是基于癌细胞的遗传信息，限制了其准确性。由于不必要的生物标记信息，机器学习存在基于错误信号学习的问题。

为了提高预测精度，该研究团队引入了机器学习算法，使用蛋白质相互作用网络，可以与目标蛋白质以及与之直接相关的单个蛋白质的转录组药物目标。它诱导学习一种功能接近目标蛋白的蛋白质的转录组生产。通过这种方法，可以只学习被选中的生物标记物，而不是传统的错误生物标记物机器学习必须学习，这提高了准确性。

此外，来自患者来源的类器官数据——而不是动物模型——被用来缩小实际患者反应的差异。利用这种方法，结直肠癌患者接受5-氟尿嘧啶治疗和膀胱癌患者接受顺铂治疗的预测结果可与实际临床结果相媲美。

---

---