Cancer Discovery：AI模型利用癌症突变来预测治疗应答

　　

尽管基因测序已成为癌症治疗中的常规操作，但将肿瘤的复杂突变图谱转化为可行的治疗策略，仍是一个不小的挑战。

加州大学圣地亚哥分校的研究人员近日开发出一种新的人工智能（AI）模型，能够根据肿瘤的遗传图谱来预测癌症对治疗的应答。这项研究成果于5月26日发表在《Cancer Discovery》杂志上。

这个名为MutationProjector的模型是利用3万多个肿瘤样本的基因组数据进行训练的，覆盖10种实体癌类型。它提供了一个新框架，能够将癌症突变与驱动治疗应答的生物学通路关联起来。研究人员在多个独立的患者队列中验证了该方法的有效性。

通讯作者、加州大学圣地亚哥分校的Trey Ideker教授表示：“基因测序在癌症治疗中已成为常规手段，但我们仍然难以全面解读患者肿瘤中发现的众多突变。” 

“我们开发MutationProjector的目标是构建一个通用模型，该模型可以从数万个肿瘤基因组中学习，并将这些突变模式转化为对治疗应答的更精确预测。”

在确诊癌症后，下一步通常是进行基因检测，这有助于医生对肿瘤进行分类，并决定采取何种治疗方案。基因检测的成本较低、速度快，并且在某些情况下效果显著。

然而，由于此类治疗分层仅基于少数已知的生物标志物，因此适用范围仍然有限。如今，只有约8%的病例能够根据基因检测的结果成功匹配到临床获批的治疗方案。

与现有方法不同，MutationProjector分析了肿瘤中存在的更广泛的基因突变组合。该模型利用这些信息来表示肿瘤的生物学状态，帮助研究人员解读哪些分子通路可能被破坏，进而确定哪些治疗方法可能最有效。

在多个独立的癌症患者队列中（包括膀胱癌、肺癌和黑色素瘤），MutationProjector在预测对常见免疫疗法和化疗的应答方面，其表现与现有方法相当甚至更优。该模型还确定了与治疗结局相关的已知和未知生物标志物，这有助于改进当前的基因检测和患者分层。

研究人员意外地发现，KMT2D突变与免疫治疗的敏感性相关，而SMARCA4/STK11共突变与免疫治疗的耐药性相关。

第一作者、加州大学圣地亚哥分校的JungHo Kong博士解释说：“许多癌症突变本身就很罕见，因此很难逐一进行研究。”

“通过对大量肿瘤样本进行预训练并整合分子网络知识，MutationProjector能够检测到传统生物标志物方法容易忽略的模式。这让我们能够从冗长的突变列表转向对肿瘤功能的更深入了解。”

研究人员强调，该模型的设计目的不仅在于做出预测，还在于深入剖析这些预测背后的原因，这有望帮助人们改进生物标志物和治疗策略。这种可解释性在精准肿瘤学领域尤为重要，因为临床医生需要了解肿瘤基因型与治疗决策之间的关联。

研究团队还希望将该模型扩展到更多的癌症类型和数据来源，包括国际癌症基因组数据集以及其他形式的临床信息，比如影像学、转录组学和医疗档案。

未来，研究人员还将探索MutationProject是否可进一步应用于其他的临床任务，包括应用于循环肿瘤DNA的液体活检以实现癌症早期检测。