羡鱼老友
恰似远来的红叶，怀着一片赤子痴心，或思乡长啸，或感时叹咏，或壮哉抒志，或相思寄情，喜怒哀乐，无不聚于晨空的笔端，无不融于云廊的书笺。
健康研究简报 (二)
人工智能可为癌症患者匹配最佳药物组合
人工智能已经发展60多年。当今，科技的发展已经步入了人工智能全面开发的新时代，并且已经在多个领域显露出其强大的功能。
人工智能可以理解为用机器不断感知、模拟人类的思维过程，使机器达到甚至超越人类的智能，即人工智能需具备类人的感知、思考和决策能力。现在，人工智能的发展已经远远超出早期构想，各行各业都开始积极拥抱这项技术。人工智能的诸多应用必将深入人类的日常生活。
对于令人感到棘手的癌症疗法而言，科学家开始将攻克癌症这一顽固堡垒，寄希望于人工智能系统这一神器。
每年会有数十种新疗法/新药进入临床试验，但最终只有不到4％的新疗法/新药获得FDA的批准。尽管造成这样结果的影响因素有很多，但主要问题在于，对特定癌症对治疗的特定反应方式或原因，缺乏完全了解。因此，无法以最佳方式将合适的药物组合，并与特定的患者个体相匹配，使之确确实实发挥出抗癌疗效。
当医疗专业人员治疗中晚期癌症患者时，通常需要使用不同疗法的组合。除了癌症手术，患者还经常需要接受放射治疗或药物治疗，或两者兼而有之。然而，人工智能的出现与发展或许能助人类治癌事业一臂之力。人工智能将能预测哪些疗法/药物的组合适合于癌症患者个体的特定状况，能进行针对性预测和准确性优化，为癌症患者匹配最佳药物组合。使之更有利于抑杀癌细胞，提高有效的应答反应与免疫反应，并将毒副反应降至最低水平。
目前，在癌症治疗领域开发人工智能系统的研究正在广泛兴起。近期有三个研究团队报道了他们各自令人瞩目的机器学习模式。在此作一些简介。
1）人工智能帮忙预测肺癌患者是否应答免疫疗法
凯斯西储大学的研究人员表示，根据肿瘤内组织模式的变化，采用人工智能和常规CT扫描来预测非小细胞肺癌患者对治疗的应答程度，由此可以确定哪些肺癌患者将从免疫疗法中受益。这项研究发表在《Cancer Immunology Research》杂志上。
根据美国国家癌症研究所的统计，目前只有大约20％的癌症患者从免疫疗法中受益，免疫疗法与化疗的不同之处在于它使用药物来激发患者的免疫系统对抗癌症，而化疗则使用药物来直接杀死癌细胞。尽管免疫疗法改变了整个癌症生态系统，但它仍然相当昂贵 – 每位患者每年须花费20万美元。
文章通讯作者Madabhushi认为，这项智能化工作将帮助肿瘤学家了解哪些患者将真正受益于免疫疗法，而哪些患者不会。
2）DrugCell的新人工智能系统
美国加州大学圣地亚哥分校医学院的研究人员宣称，他们已创建了一个名为DrugCell的新人工智能系统。该AI系统让特定类型的肿瘤与最佳药物组合相匹配成为可能。其相关研究成果发表于《Cancer cell》上。
他们创建的“DrugCell”的智能系统，可模拟人类癌细胞对治疗性化合物的反应。DrugCell将模型的内部工作机理与人类细胞生物学的层次结构相结合，从而可以预测任何类型癌症中任何药物的反应，并设计有效的联合疗法。
DrugCell能够准确预测细胞系对治疗的药物/疗法反应。DrugCell共接受了1200多种肿瘤细胞系对近700种FDA批准药物和实验性治疗药物的反应的培训，总共有500,000多种细胞系/药物配对。
研究人员希望与现有的临床研究合作，将DrugCell嵌入诊断工具中，并在现实中对其进行前瞻性测试。
3）开发的机器学习模式可以帮助人们更有效治疗癌症
临床上通常可以联合使用药物，不同的药物作用于不同的癌细胞。如果想要减轻单个药物的用量，组合药物治疗通常可以提高治疗的有效性，并可以减少有害的毒副作用。然而，药物组合的实验筛选非常缓慢与昂贵，因此，往往无法确定联合用药的全部益处。假如能借助新的机器学习方法，人们则可以识别出最佳的药物组合，以便能选择性地杀死具有特定基因或功能组成的癌细胞。
芬兰的阿尔托大学(Aalto University)、赫尔辛基大学(University of Helsinki)、图尔库大学(University of Turku)的研究人员开发了一种机器学习模型。
此研究结果发表在《自然通讯》杂志上。 该模型可准确预测药物组合在尚未被测试的情况下对特定类型癌症的效果，药物组合如何选择性地抑制特定的癌细胞。
看来，这一款机器学习模型在人工智能系统在优化癌症治疗方案方面，已经迈出了很大的一步。
本人的博文到处发，万维，留园、未名、八阙 都有。
临床上通常可以联合使用药物，不同的药物作用于不同的癌细胞。如果想要减轻单个药物的用量，组合药物治疗通常可以提高治疗的有效性，并可以减少有害的毒副作用。然而，药物组合的实验筛选非常缓慢与昂贵，因此，往往无法确定联合用药的全部益处。假如能借助新的机器学习方法，人们则可以识别出最佳的药物组合，以便能选择性地杀死具有特定基因或功能组成的癌细胞。
芬兰的阿尔托大学(Aalto University)、赫尔辛基大学(University of Helsinki)、图尔库大学(University of Turku)的研究人员开发了一种机器学习模型，可以精确预测不同抗癌药物的组合如何杀死不同类型的癌细胞。新的人工智能模型是用从以前研究中获得的大量数据进行训练的，这些数据调查了药物和癌细胞之间的关系。
此研究结果发表在《自然通讯》杂志上，声称该模型发现了药物和癌细胞之间从未观察到的联系。因此，这个模型可以得出非常精确的结果。
阿尔托大学的Juho Rousu教授说: “机器学习的模型实际上是一个多项式函数，我们在学校数学中很熟悉，但它非常复杂。” 可是， “在我们的实验中，所谓的相关系数超过了0.9，这表明此模型具有很高的可靠性。”
该模型可准确预测药物组合在尚未被测试的情况下对特定类型癌症的效果，药物组合如何选择性地抑制特定的癌细胞。赫尔辛基大学的研究人员Tero Aittokallio说: “这将帮助癌症研究人员从数千种药物组合中优先选择哪一种进行下一步的研究。”
美国加州大学圣地亚哥分校医学院的研究人员宣称，他们已创建了一个名为DrugCell的新人工智能系统。该AI系统让特定类型的肿瘤与最佳药物组合相匹配成为可能。使用DrugCell，在输入有关肿瘤的数据后，系统会返回最知名的药物、控制对该药物反应的生物学途径以及最佳药物组合。其相关研究成果发表于《Cancer cell》上。
研究人员先模拟简单的真核细胞——酿酒酵母，开发出一个可见神经网络的系统。该系统能够准确预测基因突变对细胞生长反应的影响，同时确定驱动这些预测的最相关的分子途径。
在此基础上，他们创建了一种名为“DrugCell”的智能系统。它可模拟人类癌细胞对治疗性化合物的反应。DrugCell将模型的内部工作机理与人类细胞生物学的层次结构相结合，从而可以预测任何类型癌症中任何药物的反应，并设计有效的联合疗法。
细胞药物反应是一个复杂的现象，取决于生物学和化学因素。为了在可解释的模型中捕获药物反应的这两个决定因素，研究人员将DrugCell设计为具有两个分支网络，第一个分支是VNN，它是根据人类基因（GO）数据库中记录的2086个生物过程建模的，用于模拟人类细胞中分子子系统的层次结构。这些子系统中的每一个，从涉及小蛋白复合物（如b-连环蛋白破坏复合物）到较大的信号传导途径（例如MAPK信号传导途径）到总体细胞功能（如糖酵解）的子系统，都分配了一组人工神经元来代表该子系统的状态。VNN总共使用了12516个神经元，这些神经元分层分布在六个不同的层中。
DrugCell的第二个分支是传统的人工网络（ANN），其中嵌入了药物的Morgan指纹，即化学结构的标准向量表示形式。该模型中两个分支（VNN嵌入细胞基因型和ANN嵌入药物结构）的输出被合并到单层神经元中，然后被整合以产生给定基因型对特定治疗的反应。此外，该模型通过对1,235种肿瘤细胞系对684种药物的反应进行了学习训练。
结果表明，DrugCell能够准确预测细胞系对治疗的药物/疗法反应。DrugCell共接受了1200多种肿瘤细胞系对近700种FDA批准药物和实验性治疗药物的反应的培训，总共有500,000多种细胞系/药物配对。
其论文第一作者Kuenzi说：“我们对DrugCell从实验室细胞系转化为小鼠和患者的肿瘤以及临床试验数据的能力感到惊讶。但我们的最终目标是使DrugCell进入诊所，为患者谋福利。因此，仍有许多工作要做。”
研究人员同时强调，虽然1200个细胞系是一个好的开始，但它不能代表癌症的完全异质性。研究团队现在正在添加更多的单细胞数据，并尝试不同的药物结构。他们还希望与现有的临床研究合作，将DrugCell嵌入诊断工具中，并在现实中对其进行前瞻性测试。
凯斯西储大学的研究人员表示，根据肿瘤内组织模式的变化，采用人工智能和常规CT扫描来预测非小细胞肺癌患者对治疗的应答程度，由此可以确定哪些肺癌患者将从免疫疗法中受益。这项研究发表在《Cancer Immunology Research》杂志上。
根据美国国家癌症研究所的统计，目前只有大约20％的癌症患者从免疫疗法中受益，免疫疗法与化疗的不同之处在于它使用药物来激发患者的免疫系统对抗癌症，而化疗则使用药物来直接杀死癌细胞。尽管免疫疗法改变了整个癌症生态系统，但它仍然相当昂贵 – 每位患者每年须花费20万美元。
文章通讯作者Anant Madabhushi表示：他们的“这项研究确实反映出该疾病的生物学特征，即哪种表型更具侵袭性，而这是肿瘤学家目前没有掌握的信息。”
研究人员最初利用50名患者的CT扫描结果来训练计算机的智能，并建立一种能够识别病变部位变化的数学算法。之后，他们利用两个独立的队列验证了这种算法。他们表示，下一步将对不同地点以及不同免疫治疗药物的病例进行测试。
文章第一作者、研究生Mohammadhadi Khorrami表示，这项研究中最重要的进展之一是计算机程序能够记录特定病变的纹理、体积和形状的变化，而不仅仅是大小。“这十分重要，因为当医生根据CT图像来决定患者是否对治疗有应答反应时，通常取决于病变部位的大小” Khorrami说。“我们发现，纹理变化是反映治疗是否有效的更好预测指标。有时因为别的原因，比如肿瘤内血管破裂，结节可能会变大，但这种疗法实际上是有效的。”
Madabhushi认为，这项智能化工作将帮助肿瘤学家了解哪些患者将真正受益于免疫疗法，而哪些患者不会。