机器学习工具预测基于基因突变的癌症治疗反应

USC计算机科学助理教授RuishanLiuâ的一项开创性研究发现了如何具体的基因突变影响癌症治疗结果的诊断，可以帮助医生更有效地量身定制治疗。这项研究是同类研究的最大研究，分析了20种癌症类型的78,000名癌症患者的数据。患者接受了免疫疗法，化学疗法和靶向疗法。

研究人员使用高级计算分析确定了近800种直接影响生存结果的遗传变化。他们还发现了95个基因与乳腺癌，卵巢，皮肤和胃肠道癌等癌症的生存显着相关。

在这些见解的基础上，团队开发了一种机器学习工具，以预测患有晚期肺癌的患者如何应对免疫疗法。

这些发现突出了基因分析如何在个性化癌症护理中发挥关键作用。通过了解不同的突变如何影响治疗反应，医生可以选择最有效的疗法，以避免疗法无效，并专注于最有可能提供帮助的疗法。”

南加州大学计算机科学助理教授Ruishan Liu

发表在 自然通讯，这项研究强调了TP53，CDKN2A和CDKN2B等基因在影响治疗结果中的关键作用，从而用现实世界数据验证了这些关联。

研究合着者是Shemra Rizzo，Lisa Wang，Nayan Chaudhary，Sophia Maund和Genentech的Sarah McGough和Ryan Copping；罗氏的Marius Rene Garmhausen；和斯坦福大学的詹姆斯·祖（James Zou）。

为什么突变很重要？

DNA-CAN的基因突变变化会影响癌症的发展方式以及患者对治疗的反应。有些突变随机发生，而另一些是继承的。

在癌症中，突变可以确定肿瘤是否更具侵略性或对某些治疗方法的反应。如今，基因检测越来越多地用于癌症护理中来识别这些突变，使医生更精确地选择治疗方法。

例如，被诊断为非小细胞肺癌（NSCLC）的患者通常会接受KRAS，EGFR和ALK等基因突变的基因组测试，以确定靶向疗法或免疫疗法是否有效。

研究的主要发现包括：

•晚期非小细胞肺癌中的KRAS突变与对常见治疗的反应较差有关（EGFR抑制剂），这表明可能需要替代治疗。
•NF1突变改善了对免疫疗法的反应，对某些靶向疗法的反应恶化，突出了它们在治疗中的复杂作用。
•调节细胞生长的PI3K途径突变，取决于癌症类型，乳腺癌，黑色素瘤和肾脏癌的反应不同。
•DNA修复途径突变通过增加肿瘤不稳定性提高了肺癌的免疫疗法有效性。
•免疫相关途径中的突变与更好的存活率有关对于肺癌患者通过免疫疗法治疗，表明并非所有突变都阻碍了治疗的成功。

强大的预测工具

传统上，癌症治疗遵循了一种适合的方法，患有相同类型的癌症的患者接受相同的标准疗法，但该研究强调了精密药物的重要性，Precision药物的重要性是根据患者独特的遗传组成量身定制的治疗方法。

然而，尽管存在大量的突变数据，但只有少数人具有临床验证的治疗方法，从而限制了潜在的现实影响和患者的益处。为了弥合这一差距，刘的团队使用机器学习来分析多个突变如何相互作用以影响治疗结果。

“我们的目标是找到乍一看可能并不明显的模式。”Ruishan Liu

他们开发了一个随机生存森林（RSF）模型，这是一种预测工具，旨在完善肺癌患者的治疗建议。通过将大型现实世界数据与机器学习整合在一起，该模型确定了新的突变处理相互作用。 

卢伊说：“我们的目标是找到乍一看可能并不明显的模式，然后将这些见解转化为现实世界中的工具，这些工具可以扩大癌症患者的免疫疗法的机会。”“一个关键的创新在于将大量数据与先进的统计和机器学习技术整合在一起，以发现以前未被认可的突变处理相互作用。”

尽管需要进一步的临床试验，但刘认为这项研究是使癌症治疗更加精确和个性化的重要一步。

她说：“这项研究表明，计算科学在将复杂的临床和基因组数据转化为可行的见解方面的力量。”“为可以直接改善患者护理的工具和知识做出贡献是非常满意的。”