癌癥在個體內表現出高度的遺傳和變異性,這種異質性表現為患者對療法的不同反應。為了定制適合不同患者的獨特療法,個性化醫療旨在確定與個體治療效果相關的可測量生物標志物,從而使臨床醫生能夠準確預測患者對這些療法的反應。幾十年來,蛋白質生物標志物已被用于靶向癌癥治療,測序方法的發展也促進了靶向藥物的識別預測。盡管生物標志物可以提高療法的整體療效,但對于特定癌癥患者的最佳療法的確定通常是不精確的。癌癥相關研究表明ML可以將基因組特征、基因表達模式等與藥物敏感性相關聯從而作為預測藥物反應的一種手段,但ML方法尚未使用大規模蛋白質組學和磷酸蛋白質組學數據系統地進行測試與應用。為此,該文章開發了一種稱為使用機器學習的藥物排名方法 (DRUML),使用蛋白質組學和磷酸蛋白質組學特征的組合構建集成機器學習模型,并根據藥物在減少癌細胞增殖方面的功效生成藥物列表排名。
主要內容
人工智能和機器學習(ML)有望通過準確預測治療個體患者的最合適療法來個性化的改變癌癥療法。本文提出了DRUML 方法,該方法使用組學數據根據其在癌細胞中的抗增殖功效生對超過400種藥物的療效進行了排名。DRUML在48個細胞系的內部蛋白質組學和磷酸蛋白質組學數據的基礎上進行了訓練,并使用來自12個獨立實驗室的53個細胞模型組成的數據對其準確性進行了驗證。結果表明,DRUML可以根據抗癌藥物在各種病理中的功效準確地對它們進行排名,因此基于ML模型的DRUML方法對于評估蛋白質組學及推進精準醫學領域發展至關重要。此外DRUML預測癌細胞群內藥物排名的能力無需與參考樣本進行比較,對于ML的臨床實施至關重要,并實現了精準醫學的核心目標。研究成果以題為“Drug Ranking Using Machine Learning Systematically Predicts the Efficacy of Anti-Cancer Drugs”發布在國際著名期刊Nature Communications上。
圖表匯總

圖1.?使用機器學習的藥物排名概述(DRUML)
圖片來源于Nature Communications
?

圖2.?DRUML根據療效對藥物進行排名的性能和準確性
圖片來源于Nature Communications
?

圖3. 使用獨立的磷酸蛋白組學數據集
對DRUML排名藥物的療效的準確性評估
圖片來源于Nature Communications
圖4. 基于47個腫瘤模型和8種病理學的
獨立蛋白質組學數據集對DRUML準確性的評估
圖片來源于Nature Communications
推薦理由
機器學習(ML)在生物醫學中的應用有望徹底改變未來癌癥的診斷和治療方式,該文章基于ML建立了DRUML方法,并生成了按其在減少給定癌細胞群增殖方面的預測功效排序的藥物列表。此外研究還證明了DRUML可以根據藥物在不同癌癥類型中的預測功效合理準確的對不同作用模式的藥物進行排名,并且誤差合理。未來可以應用DRUML從更多的臨床病理參數和突變分析中獲得的信息來確定藥物優先順序。
?
參考文獻
Henry Gerdes, Pedro Casado, Arran Dokal, Maruan Hijazi, Nosheen Akhtar, Ruth Osuntola, Vinothini Rajeeve, Jude Fitzgibbon, Jon Travers, David Britton, Shirin Khorsandi, and Pedro R. Cutillas, Drug Ranking Using Machine Learning Systematically Predicts the Efficacy of Anti-Cancer Drugs, Nature Communications, 2021, 12, 1850. DOI: 10.1038/s41467-021-22170-8.