科学家开发出能预测癌症患者对药物产生反应的新方法—TRANSACT
临床前模型一直是癌症研究的主力，其能产生大量的药物反应数据;然而不幸的是，将这些数据集产生的反应生物标志物转化为人类肿瘤已经被证明具有一定的挑战性。
临床前模型一直是癌症研究的主力，其能产生大量的药物反应数据;然而不幸的是，将这些数据集产生的反应生物标志物转化为人类肿瘤已经被证明具有一定的挑战性。近日，一篇发表在国际杂志Proceedings of the National Academy of Sciences上题为“Predicting patient response with models trained on cell lines and patient-derived xenografts by nonlinear transfer learning”的研究报告中，来自荷兰癌症研究院等机构的科学家们通过研究开发了一种算法来预测患者对抗癌药物所产生的反应，这或许就能帮助研究人员迅速确定一些药物是否会对特定患者产生积极性的影响，即使是像化疗这样通常难以预测反应的复杂药物等。
这种称之为TRANSACT的方法能利用此前通过细胞系研究所得到的大量数据，细胞系由一株人类细胞所组成，其能在培养品中人工培养，诸如此类细胞系已经被广泛用于研究癌症药物的耐药性机制，然而这些研究结果目前尚未很好地转化为人类研究，这部分是由于细胞系是一种人工模型，与实际肿瘤相比其复杂性非常有限，而TRANSACT方法能能弥补模型系统和临床实践之间的差距。
研究者Soufiane Mourragui博士说道，我们所开发的TRANSACT方法能利用对细胞系模型所测定的药物反应数据来预测患者对特定抗癌药物所产生的反应，不幸的是，这些模型并不能完全代表癌症患者机体中所观察到的生物学特性，为了解决这个问题，TRANSACT能利用机器学习的手段来模拟细胞系和肿瘤之间的共同生物学特性，这或许就能帮助研究人员在两个临床数据集中更好地进行预测，因此研究人员就能使用计算机算法来有望支持临床医生的疗法决策。
TRANSACT是研究人员朝着正确方向迈出的第一步，如今研究人员能够更好地预测人们对药物所产生的反应，有意思的是，他们能利用TRANSACT来进行预测，即对于现有的多种药物而言患者是否会产生反应，TRANSACT方法的开发也为开发治疗癌症患者的新型疗法提供了新的希望和可能性。机器学习技术能帮助研究人员更好地关注细胞系和患者之间共享的过程，并在药物反应上扮演着重要角色，研究者的目标是利用这些研究结果来帮助临床医生为患者制定更好的治疗手段。
研究者Soufiane Mourragui说道，尽管我们的工作代表了药物反应预测领域的进展，但这种新方法的性能或许距离临床应用还相差很远，所以后期研究人员还需要进一步研究来改善这种方法的性能;但随着更多数据和算法的发展和开发，研究人员未来会有望进一步改善TRANSACT方法的性能。综上，本文研究结果表明，与其它方法相比，研究人员通过正确识别靶向性疗法的已知生物标志物，或许就能证明TRANSACT预测器的可解释性，同时研究人员还提出了能介导两种化疗药物耐受性的潜在机制。
相关文章
评论
我要跟帖
.jpg)
