邁阿密大學米勒醫學院西爾維斯特綜合癌症中心的科學家們與國際研究人員合作，開發了一種複雜的人工智能算法，可以進行高級計算分析，以確定多形性膠質母細胞瘤（GBM）和其他癌症的潛在治療目標。

該圖像顯示了用於精確瞄準膠質母細胞瘤主激酶的SPHINKS網絡。資料來源：Antonio Iavarone, MD

他們的研究在2月2日的《自然-癌症》雜誌上有所描述，並可能對GBM（一種侵襲性的、通常是致命的腦癌類型）以及某些乳腺癌、肺癌和兒科癌症的未來治療產生深遠影響。

西爾維斯特綜合癌症中心副主任、該研究的資深作者、醫學博士Antonio Iavarone解釋說：”我們的工作代表了轉化科學，為改變膠質母細胞瘤患者在臨床上的常規管理方式提供了直接機會。算法為精準癌症醫學提供了應用，給腫瘤學家提供了一個新的工具來對抗這種致命的疾病和其他癌症。”

這種人工智能算法被稱為SPHINKS–基於底物PHosphosite的激酶網絡推斷–部署了深度機器學習，以幫助研究人員識別和實驗驗證兩種蛋白激酶（PKCd和DNAPKcs），作為與兩種GBM亞型的腫瘤進展相關的罪魁禍首，並作為其他癌症的潛在治療目標。

蛋白激酶是目前用於精準癌症醫學的關鍵目標，以根據病人的特定癌症特性進行治療。研究人員將最活躍的激酶在他們的論文中稱為”主激酶”，是那些臨床醫生直接使用靶向藥物作為當前癌症治療的標誌的激酶。

除了確定主激酶之外，Iavarone博士及其同事還使用了在實驗室中從患者樣本中生長出來的腫瘤器官- 他們稱之為”患者衍生的腫瘤化身”來證明干擾主激酶活性的靶向藥物能夠阻撓腫瘤的生長。

此前，Iavarone博士和團隊已經報告了一種新的膠質母細胞瘤分類，通過捕捉關鍵的腫瘤細胞特徵，並根據GBM患者的生存可能性和他們的腫瘤對藥物的脆弱性進行分組。在新的研究中，這些分類是通過幾個全能學平台獨立確認的：基因組學（基因）、蛋白質組學（蛋白質）、脂質組學（脂肪分子）、乙酰組學（表觀遺傳學）、代謝組學（代謝物）和其他。

SPHINKS利用機器學習來完善這些omics數據集，並創建一個互動組–一套完整的生物互動–以確定每個膠質母細胞瘤亞型中產生異常生長和治療抗性的激酶。這些發現表明，多組學數據可以產生新的算法，根據每個病人的膠質母細胞瘤亞型預測哪些靶向療法可以提供最佳治療方案。

“我們現在可以根據不同omics之間共同的生物特徵對膠質母細胞瘤患者進行分層，”Iavarone博士說。”僅僅閱讀基因組是不夠的。我們已經需要更全面的數據來確定腫瘤的脆弱性”。

儘管在許多其他癌症方面取得了突破性進展，膠質母細胞瘤患者面臨著令人沮喪的預後–五年生存率低於10%。儘管正在開發許多藥物作為潛在的治療方法，但臨床醫生一直需要一種方法來確定驅動每個病人疾病的分子機制，並適用於精準癌症醫學。

研究人員說，SPHINKS算法和相關方法可以很容易地被納入分子病理學實驗室。他們的論文包括一個臨床分類器，可以幫助給每個病人分配適當的膠質母細胞瘤亞型。該團隊還建立了一個在線門戶來訪問該算法。作者認為這種方法可以產生有洞察力的信息，使多達75%的膠質母細胞瘤患者受益。

西爾維斯特中心生物化學和分子生物學教授、該研究的共同第一作者、醫學博士Anna Lasorella說：”這個分類器基本上可以在任何實驗室使用。通過將全息信息導入門戶網站，病理學家可以收到一個腫瘤、十個腫瘤的分類信息，無論他們導入多少個，這些分類可以立即應用於病人護理”。

雖然SPHINKS首先在膠質母細胞瘤上測試，但該算法同樣適用於其他幾種癌症。該團隊在乳腺癌、肺癌和小兒腦瘤中發現了相同的癌症驅動激酶。Iavarone和Lasorella博士及其同事認為這一發現可能是一種新型臨床試驗的動力。

“我們正在探索籃子試驗的概念，”Iavarone博士解釋說，”這將包括具有相同生物亞型但不一定是相同癌症類型的患者。如果膠質母細胞瘤或乳腺癌或肺癌患者俱有類似的分子特徵，他們可以被納入同一個試驗中，與其為一種藥物做多次試驗，我們可以進行一次聯合試驗，並有可能更快地將更多有效的藥物帶給更多的患者。”