機器學習工具可以幫助腫瘤學家做出更好的治療決策

在治療癌癥患者時，腫瘤學家旨在預(yù)測患者的病程，以做出關(guān)鍵的治療決策。了解腫瘤獨特的分子特征可以通過提供有關(guān)癌癥是生長緩慢、侵襲性和致命性還是會抵抗治療的線索來幫助指導(dǎo)這些決定。新的分子分析技術(shù)產(chǎn)生了大量關(guān)于腫瘤的信息，但醫(yī)生一直在努力將所有這些數(shù)據(jù)轉(zhuǎn)化為有意義的預(yù)后。

麻省理工學院和哈佛大學布羅德研究所以及丹娜—法伯癌癥研究所的研究人員開發(fā)了一種新模型，可以區(qū)分致死性前列腺癌和不太可能引起癥狀或死亡的前列腺癌的基因組譜。它還可以幫助臨床醫(yī)生預(yù)測前列腺癌患者的腫瘤是否隨著時間的推移，會擴散到身體的其他部位或變得對治療更具抵抗力。該模型稱為 P-NET，還可以識別可能與疾病進展相關(guān)的分子特征、基因和生物學途徑。P-NET 使用基于機器學習的算法來分析腫瘤的已知分子特征，并指示腫瘤是否已經(jīng)或可能會擴散到身體的不同部位——這是一種侵襲性和潛在致命癌癥的跡象。該模型發(fā)表在Nature 上，還可以幫助癌癥研究人員更多地了解耐藥性疾病的生物學，并且可以推廣到其他癌癥。

該研究的資深作者、Broad 的副成員、Dana-Farber 癌癥研究所和哈佛醫(yī)學院的副教授 Eliezer (Eli) Van Allen 說，P-NET 不僅僅是為患者提供預(yù)后。“我們不僅提高了預(yù)測癌癥是否會轉(zhuǎn)移以及哪些基因可能與該狀態(tài)相關(guān)的能力，而且作為癌癥研究人員，我們可以利用該模型的可解釋性來了解這些疾病狀態(tài)的生物學， “ 他說。

構(gòu)建更好的模型

為了構(gòu)建一個可以區(qū)分早期和晚期前列腺癌腫瘤的模型，研究人員開發(fā)了一種專門的深度學習模型，與其他算法相比，該模型具有自定義架構(gòu)和改進的可解釋性。在深度學習模型中，多層神經(jīng)網(wǎng)絡(luò)從大型數(shù)據(jù)集中“學習”以識別模式，就像人腦一樣。

使用這種方法，由丹娜—法伯癌癥研究所講師、Broad 的附屬研究員、該研究的第一作者 Haitham Elmarakeby 領(lǐng)導(dǎo)的團隊直接編碼生物信息，例如基因與代謝或信號通路之間的已知關(guān)系。進入他們的模型。然后，他們訓(xùn)練 P-NET 使用來自 1,000 多名前列腺癌患者的基因組序列和體細胞或非遺傳性突變等數(shù)據(jù)來預(yù)測腫瘤是否具有侵襲性。當該團隊根據(jù)來自其他前列腺癌患者的數(shù)據(jù)測試他們的模型時，他們發(fā)現(xiàn)它可以正確地區(qū)分 80% 的轉(zhuǎn)移性腫瘤與原發(fā)的、不太晚期的腫瘤。這表明經(jīng)過訓(xùn)練的模型能夠?qū)π聰?shù)據(jù)執(zhí)行相同的功能。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！