Mol Cancer Res：基于组学信息的人工智能可用来预测药物敏感性
2017-12-07 肖明明 “医海拾贝微转化”
近来基于细胞系或者PDX模型的大规模药物基因组试图揭示组学特征与药物之间的联系，旨在得到与肿瘤病人匹配的药物。由于数据的复杂性及高维度的特性使得这种以数据为导向药物筛选困难重重，因此，研究人员希望机器可以从组学数据中学习新的信息特征来预测药物敏感性。
以组学数据为基础的个性化医疗是一种基于病人“定制”的医疗模式。在这种模式下，医疗的决策、实施等都是针对每一个病人个体特征而制定的，疾病的诊断和治疗是在合理选择病人自己的遗传、分子或细胞学信息的基础上进行的。分子靶向药物可利用肿瘤细胞与正常细胞之间基因组差异，使药物靶向肿瘤部位，提高对肿瘤的杀伤力。然而，这种方法只对小部分患者有益。近来基于细胞系或者PDX模型的大规模药物基因组试图揭示组学特征与药物之间的联系，旨在得到与肿瘤病人匹配的药物。由于数据的复杂性及高维度的特性使得这种以数据为导向药物筛选困难重重，因此，研究人员希望机器可以从组学数据中学习新的信息特征来预测药物敏感性。
近日，发表在《Molecular Cancer Research》的Precision Oncology Beyond Targeted Therapy： Combining Omics Data with Machine Learning Matches the Majority ofCancer Cells to Effective Therapeutics 利用细胞系的组学特征及其对药物的IC50值进行机器的深度学习，用于预测肿瘤细胞对不同药物的敏感性。该研究将624个细胞系（3577个组学数据特征，140种药物敏感性数据）样本中的520个样本用于模型的训练，将剩余的104个样本进行模型的验证。结果显示，该模型的对不同药物敏感性预测的灵敏度和特异度的平均值可高达82%。
如若此模型如文中报道的如此有效，这将指导医生为患者选择最优的治疗方案，同时最大限度地减少与无效治疗相关的负面影响，从而实现对病人精准治疗的承诺。
原始出处：
Ding MQ，et al.，Precision Oncology Beyond Targeted Therapy： Combining Omics Data with Machine Learning Matches the Majority of Cancer Cells to Effective Therapeutics.Mol Cancer Res. 2017 Nov 13. pii： molcanres.0378.2017.
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#药物敏感性#
41
#敏感性#
32