羨魚老友
恰似遠來的紅葉，懷著一片赤子癡心，或思鄉長嘯，或感時歎詠，或壯哉抒誌，或相思寄情，喜怒哀樂，無不聚於晨空的筆端，無不融於雲廊的書箋。
健康研究簡報 (二)
人工智能可為癌症患者匹配最佳藥物組合
人工智能已經發展60多年。當今，科技的發展已經步入了人工智能全麵開發的新時代，並且已經在多個領域顯露出其強大的功能。
人工智能可以理解為用機器不斷感知、模擬人類的思維過程，使機器達到甚至超越人類的智能，即人工智能需具備類人的感知、思考和決策能力。現在，人工智能的發展已經遠遠超出早期構想，各行各業都開始積極擁抱這項技術。人工智能的諸多應用必將深入人類的日常生活。
對於令人感到棘手的癌症療法而言，科學家開始將攻克癌症這一頑固堡壘，寄希望於人工智能係統這一神器。
每年會有數十種新療法/新藥進入臨床試驗，但最終隻有不到4％的新療法/新藥獲得FDA的批準。盡管造成這樣結果的影響因素有很多，但主要問題在於，對特定癌症對治療的特定反應方式或原因，缺乏完全了解。因此，無法以最佳方式將合適的藥物組合，並與特定的患者個體相匹配，使之確確實實發揮出抗癌療效。
當醫療專業人員治療中晚期癌症患者時，通常需要使用不同療法的組合。除了癌症手術，患者還經常需要接受放射治療或藥物治療，或兩者兼而有之。然而，人工智能的出現與發展或許能助人類治癌事業一臂之力。人工智能將能預測哪些療法/藥物的組合適合於癌症患者個體的特定狀況，能進行針對性預測和準確性優化，為癌症患者匹配最佳藥物組合。使之更有利於抑殺癌細胞，提高有效的應答反應與免疫反應，並將毒副反應降至最低水平。
目前，在癌症治療領域開發人工智能係統的研究正在廣泛興起。近期有三個研究團隊報道了他們各自令人矚目的機器學習模式。在此作一些簡介。
1）人工智能幫忙預測肺癌患者是否應答免疫療法
凱斯西儲大學的研究人員表示，根據腫瘤內組織模式的變化，采用人工智能和常規CT掃描來預測非小細胞肺癌患者對治療的應答程度，由此可以確定哪些肺癌患者將從免疫療法中受益。這項研究發表在《Cancer Immunology Research》雜誌上。
根據美國國家癌症研究所的統計，目前隻有大約20％的癌症患者從免疫療法中受益，免疫療法與化療的不同之處在於它使用藥物來激發患者的免疫係統對抗癌症，而化療則使用藥物來直接殺死癌細胞。盡管免疫療法改變了整個癌症生態係統，但它仍然相當昂貴 – 每位患者每年須花費20萬美元。
文章通訊作者Madabhushi認為，這項智能化工作將幫助腫瘤學家了解哪些患者將真正受益於免疫療法，而哪些患者不會。
2）DrugCell的新人工智能係統
美國加州大學聖地亞哥分校醫學院的研究人員宣稱，他們已創建了一個名為DrugCell的新人工智能係統。該AI係統讓特定類型的腫瘤與最佳藥物組合相匹配成為可能。其相關研究成果發表於《Cancer cell》上。
他們創建的“DrugCell”的智能係統，可模擬人類癌細胞對治療性化合物的反應。DrugCell將模型的內部工作機理與人類細胞生物學的層次結構相結合，從而可以預測任何類型癌症中任何藥物的反應，並設計有效的聯合療法。
DrugCell能夠準確預測細胞係對治療的藥物/療法反應。DrugCell共接受了1200多種腫瘤細胞係對近700種FDA批準藥物和實驗性治療藥物的反應的培訓，總共有500,000多種細胞係/藥物配對。
研究人員希望與現有的臨床研究合作，將DrugCell嵌入診斷工具中，並在現實中對其進行前瞻性測試。
3）開發的機器學習模式可以幫助人們更有效治療癌症
臨床上通常可以聯合使用藥物，不同的藥物作用於不同的癌細胞。如果想要減輕單個藥物的用量，組合藥物治療通常可以提高治療的有效性，並可以減少有害的毒副作用。然而，藥物組合的實驗篩選非常緩慢與昂貴，因此，往往無法確定聯合用藥的全部益處。假如能借助新的機器學習方法，人們則可以識別出最佳的藥物組合，以便能選擇性地殺死具有特定基因或功能組成的癌細胞。
芬蘭的阿爾托大學(Aalto University)、赫爾辛基大學(University of Helsinki)、圖爾庫大學(University of Turku)的研究人員開發了一種機器學習模型。
此研究結果發表在《自然通訊》雜誌上。 該模型可準確預測藥物組合在尚未被測試的情況下對特定類型癌症的效果，藥物組合如何選擇性地抑製特定的癌細胞。
看來，這一款機器學習模型在人工智能係統在優化癌症治療方案方麵，已經邁出了很大的一步。
本人的博文到處發，萬維，留園、未名、八闕 都有。
臨床上通常可以聯合使用藥物，不同的藥物作用於不同的癌細胞。如果想要減輕單個藥物的用量，組合藥物治療通常可以提高治療的有效性，並可以減少有害的毒副作用。然而，藥物組合的實驗篩選非常緩慢與昂貴，因此，往往無法確定聯合用藥的全部益處。假如能借助新的機器學習方法，人們則可以識別出最佳的藥物組合，以便能選擇性地殺死具有特定基因或功能組成的癌細胞。
芬蘭的阿爾托大學(Aalto University)、赫爾辛基大學(University of Helsinki)、圖爾庫大學(University of Turku)的研究人員開發了一種機器學習模型，可以精確預測不同抗癌藥物的組合如何殺死不同類型的癌細胞。新的人工智能模型是用從以前研究中獲得的大量數據進行訓練的，這些數據調查了藥物和癌細胞之間的關係。
此研究結果發表在《自然通訊》雜誌上，聲稱該模型發現了藥物和癌細胞之間從未觀察到的聯係。因此，這個模型可以得出非常精確的結果。
阿爾托大學的Juho Rousu教授說: “機器學習的模型實際上是一個多項式函數，我們在學校數學中很熟悉，但它非常複雜。” 可是， “在我們的實驗中，所謂的相關係數超過了0.9，這表明此模型具有很高的可靠性。”
該模型可準確預測藥物組合在尚未被測試的情況下對特定類型癌症的效果，藥物組合如何選擇性地抑製特定的癌細胞。赫爾辛基大學的研究人員Tero Aittokallio說: “這將幫助癌症研究人員從數千種藥物組合中優先選擇哪一種進行下一步的研究。”
美國加州大學聖地亞哥分校醫學院的研究人員宣稱，他們已創建了一個名為DrugCell的新人工智能係統。該AI係統讓特定類型的腫瘤與最佳藥物組合相匹配成為可能。使用DrugCell，在輸入有關腫瘤的數據後，係統會返回最知名的藥物、控製對該藥物反應的生物學途徑以及最佳藥物組合。其相關研究成果發表於《Cancer cell》上。
研究人員先模擬簡單的真核細胞——釀酒酵母，開發出一個可見神經網絡的係統。該係統能夠準確預測基因突變對細胞生長反應的影響，同時確定驅動這些預測的最相關的分子途徑。
在此基礎上，他們創建了一種名為“DrugCell”的智能係統。它可模擬人類癌細胞對治療性化合物的反應。DrugCell將模型的內部工作機理與人類細胞生物學的層次結構相結合，從而可以預測任何類型癌症中任何藥物的反應，並設計有效的聯合療法。
細胞藥物反應是一個複雜的現象，取決於生物學和化學因素。為了在可解釋的模型中捕獲藥物反應的這兩個決定因素，研究人員將DrugCell設計為具有兩個分支網絡，第一個分支是VNN，它是根據人類基因（GO）數據庫中記錄的2086個生物過程建模的，用於模擬人類細胞中分子子係統的層次結構。這些子係統中的每一個，從涉及小蛋白複合物（如b-連環蛋白破壞複合物）到較大的信號傳導途徑（例如MAPK信號傳導途徑）到總體細胞功能（如糖酵解）的子係統，都分配了一組人工神經元來代表該子係統的狀態。VNN總共使用了12516個神經元，這些神經元分層分布在六個不同的層中。
DrugCell的第二個分支是傳統的人工網絡（ANN），其中嵌入了藥物的Morgan指紋，即化學結構的標準向量表示形式。該模型中兩個分支（VNN嵌入細胞基因型和ANN嵌入藥物結構）的輸出被合並到單層神經元中，然後被整合以產生給定基因型對特定治療的反應。此外，該模型通過對1,235種腫瘤細胞係對684種藥物的反應進行了學習訓練。
結果表明，DrugCell能夠準確預測細胞係對治療的藥物/療法反應。DrugCell共接受了1200多種腫瘤細胞係對近700種FDA批準藥物和實驗性治療藥物的反應的培訓，總共有500,000多種細胞係/藥物配對。
其論文第一作者Kuenzi說：“我們對DrugCell從實驗室細胞係轉化為小鼠和患者的腫瘤以及臨床試驗數據的能力感到驚訝。但我們的最終目標是使DrugCell進入診所，為患者謀福利。因此，仍有許多工作要做。”
研究人員同時強調，雖然1200個細胞係是一個好的開始，但它不能代表癌症的完全異質性。研究團隊現在正在添加更多的單細胞數據，並嚐試不同的藥物結構。他們還希望與現有的臨床研究合作，將DrugCell嵌入診斷工具中，並在現實中對其進行前瞻性測試。
凱斯西儲大學的研究人員表示，根據腫瘤內組織模式的變化，采用人工智能和常規CT掃描來預測非小細胞肺癌患者對治療的應答程度，由此可以確定哪些肺癌患者將從免疫療法中受益。這項研究發表在《Cancer Immunology Research》雜誌上。
根據美國國家癌症研究所的統計，目前隻有大約20％的癌症患者從免疫療法中受益，免疫療法與化療的不同之處在於它使用藥物來激發患者的免疫係統對抗癌症，而化療則使用藥物來直接殺死癌細胞。盡管免疫療法改變了整個癌症生態係統，但它仍然相當昂貴 – 每位患者每年須花費20萬美元。
文章通訊作者Anant Madabhushi表示：他們的“這項研究確實反映出該疾病的生物學特征，即哪種表型更具侵襲性，而這是腫瘤學家目前沒有掌握的信息。”
研究人員最初利用50名患者的CT掃描結果來訓練計算機的智能，並建立一種能夠識別病變部位變化的數學算法。之後，他們利用兩個獨立的隊列驗證了這種算法。他們表示，下一步將對不同地點以及不同免疫治療藥物的病例進行測試。
文章第一作者、研究生Mohammadhadi Khorrami表示，這項研究中最重要的進展之一是計算機程序能夠記錄特定病變的紋理、體積和形狀的變化，而不僅僅是大小。“這十分重要，因為當醫生根據CT圖像來決定患者是否對治療有應答反應時，通常取決於病變部位的大小” Khorrami說。“我們發現，紋理變化是反映治療是否有效的更好預測指標。有時因為別的原因，比如腫瘤內血管破裂，結節可能會變大，但這種療法實際上是有效的。”
Madabhushi認為，這項智能化工作將幫助腫瘤學家了解哪些患者將真正受益於免疫療法，而哪些患者不會。