大多数癌症患者没有看到早期靶向治疗的好处。现在，科学家们引入了一种新的计算管道，可以系统地预测患者在单细胞水平上对癌症药物的反应。
在超过200种癌症中，每种癌症都有其独特之处，开发精确的肿瘤学治疗仍然面临挑战。重点主要集中在创建基因测序测试或分析，以检测癌症驱动基因中的突变。在此之后，会尝试寻找可能对这些突变有效的治疗方法。
癌症患者从这些早期靶向治疗中没有受益。2024年4月18日，发表在期刊《自然癌症》上的一项新研究，引入了一种新颖的计算管道，以在单细胞分辨率下预测患者对癌症药物的反应。该研究的第一作者是圣朱·辛哈（Sanju Sinha），博士，桑福德·伯恩汉姆·普雷比斯癌症分子治疗计划的助理教授，资深作者是艾坦·鲁平（Eytan Ruppin），医学博士，博士，以及亚历杭德罗·沙弗（Alejandro Schaffer），博士，来自国立癌症研究所（NCI），隶属于国立卫生研究院（NIH）及其同事。这种新方法称为个性化单细胞表达基础规划（PERCEPTION）。PERCEPTION，这种创新的基于人工智能的方法，深入探讨了转录组学在肿瘤学中的应用。转录组学是研究转录因子的学科，转录因子是基因产生的信使RNA分子。这些分子承担着携带和转换DNA信息为行动的作用。根据辛哈的说法，“肿瘤是一种复杂且不断演变的生物体。使用单细胞分辨率可以让我们解决这两方面的挑战。”他补充说：“PERCEPTION利用单细胞组学中的丰富信息，以理解肿瘤的克隆结构并监测耐药性的出现。”在生物学中，组学指的是细胞内成分的总和。
辛哈表达了他对通过使用PERCEPTION监测和适应癌细胞进化，调整治疗策略的潜力的热情。这个使用迁移学习开发的人工智能模型，通过用已发表的肿瘤大规模基因表达数据进行预训练，克服了单细胞数据有限的挑战。对于人工智能模型理解疾病来说，大量数据的重要性可以与ChatGPT需要从互联网上抓取的大量文本数据相提并论。
虽然数据有限，来自细胞系和患者的数据也被用于校准模型。PERCEPTION通过在三个不同的临床试验中准确预测多发性骨髓瘤、乳腺癌和肺癌的单药和联合疗法的结果得到了有效确认。在每种情况下，PERCEPTION正确地将患者分类为反应者或非反应者。此外，它能够识别肺癌在疾病进展中的药物耐药性的发展，这是一个具有重要意义的发现，具有良好的前景。辛哈指出，虽然PERCEPTION尚不适合用于临床，但该方法具有潜力。每个细胞数据能够指导治疗决策，他希望促进将这项技术在临床中的应用，以生成更多数据。这些数据随后可以用于改善和增强该技术，以用于临床目的。
辛哈表示，预测的准确性取决于其基础数据的质量和数量。目标是开发一种临床工具，能够系统性和数据驱动地预测癌症患者对治疗的反应。希望这些发现能在不久的将来导致更多数据和进一步的研究。
参与该研究的其他作者包括来自国立癌症研究所（NCI）的Rahulsimham Vegesna、Sumit Mukherjee、Ashwin V. Kammula、Saugato Rahman Dhruba、Nishanth Ulhas Nair、Peng Jiang、Alejandro Schäffer、Kenneth D. Aldape和Eytan Ruppin，以及来自加利福尼亚大学旧金山分校的Wei Wu、Lucas Kerr、Collin M. Blakely和Trever G. Biovona，来自加利福尼亚大学伯克利分校的Mathew G. Jones和Nir Yosef，来自Rancho BioSciences的Oleg Stroganov和Ivan Grishagin，来自国立卫生研究院的Craig J. Thomas，以及来自哈佛大学的Cyril H. Benes。
此项研究部分受到NIH、NCI的内部研究计划以及NIH资助的R01CA231300，R0.1CA204302，R01CA211052，R01CA169338和U54CA224081的支持。
