剑桥大学Carlos Caldas等研究人员搭建机器学习框架整合尚未经治疗的乳腺癌患者肿瘤样本病理、基因组、转录组以及患者临床特征等数据训练模型高效预测病人药物反应。外部独立数据准确性评估显示其AUC=0.87(1)。

多类型数据机器学习框架(1)

机器学习模型对病人药物反应的预测效果(1)

该项工作的基本理念是肿瘤不应该单纯看肿瘤细胞，而是当作一个包括肿瘤细胞、免疫细胞以及支持血管等等组成的生态系统，而抗肿瘤药物也是通过这个生态系统发挥作用，所以要想准确预测病人药物反应必须考虑肿瘤生态系统综合信息(1, 2)。

该项工作还发现乳腺癌克隆基因组突变状态、肿瘤细胞增殖活跃程度以及免疫细胞浸润与活跃状态等对预测乳腺癌患者药物反应非常关键(1)。

肿瘤细胞增殖活跃程度（GGI）以及免疫浸润程度（STAT1）是预测乳腺癌病人药物反应的关键(1)

通讯作者Carlos Caldas表示接下来的重点是进一步更大规模数据验证，如果这种模型依然表现出色的话，它会整合进医疗系统帮助肿瘤患者选择治疗方案以及帮助药企招募患者(1, 3)。

该项工作2021年12月7日发表在nature(1)。

Comment(s):

看来从某种角度来讲，肿瘤确实可以看作是“免疫疾病”

不同特征对预测病人药物反应重要性（颜色越深重要性越高）(1)

1. S.-J. Sammut et al., Multi-omic machine learning predictor of breast cancer therapy response. Nature, 1–10(2021).

2. A. Marusyk, M. Janiszewska, K. Polyak,Intratumor Heterogeneity: The Rosetta Stone of Therapy Resistance. Cancer Cell. 37, 471–484 (2020).

3. Breast Cancer Therapy Response Predictedby Multiomic Machine Learning Model | Precision Oncology News, (available at https://www.precisiononcologynews.com/cancer/breast-cancer-therapy-response-predicted-multiomic-machine-learning-model#.YbDC8hrP1jE).

原文链接：

https://www.nature.com/articles/s41586-021-04278-5