加州大學洛杉磯分校的一個團隊創建了一個人工智慧模型，利用表觀遺傳學因素來準確預測不同癌症類型患者的預後。與傳統方法相比，這種創新方法提供了更好的預測，並凸顯了表觀遺傳學在癌症治療和進展中的重要性。

加州大學洛杉磯分校的研究人員發現，腫瘤中某些編碼表觀遺傳因子的基因與不同癌症類型的臨床結果有預測關聯。

加州大學洛杉磯分校健康瓊森綜合癌症中心的研究人員開發了一種基於表觀遺傳因素的人工智慧（AI）模型，該模型能夠成功預測多種癌症類型患者的預後。

癌症預測中的表觀遺傳因素

研究人員發現，透過研究腫瘤中表觀遺傳因子（影響基因開啟或關閉的因子）的基因表現模式，他們可以將腫瘤分為不同的組別，從而比癌症分級和分期等傳統方法更好地預測各種癌症類型患者的預後。

今天（11月15日）發表在《通訊生物學》（Communications Biology）雜誌上的這些發現也為開發旨在調節癌症治療中的表觀遺傳因子（如組蛋白乙醯轉移酶和SWI/SNF染色質重塑因子）的標靶療法奠定了基礎。

超越基因突變理解癌症

該研究的共同第一作者、加州大學洛杉磯分校分子、細胞和發育生物學教授、加州大學洛杉磯分校健康瓊森綜合癌症中心和伊萊和艾迪斯-布羅德再生醫學和幹細胞研究中心成員希拉裡-科勒說：”傳統上，癌症主要被視為致癌基因或腫瘤抑制因子基因突變的結果。”

“然而，先進的下一代定序技術的出現讓更多人認識到，染色質的狀態以及維持這種狀態的表觀遺傳因子的水平對癌症和癌症進展非常重要。染色質狀態的不同方面–如組蛋白是否被修飾，或DNA 的核酸鹼基是否含有額外的甲基–會影響癌症的預後。了解腫瘤之間的這些差異有助於我們更深入地了解為什麼有些患者對治療的反應不同，為什麼他們的預後也不同。”

儘管先前的研究表明，編碼表觀遺傳因子的基因突變會影響個體的癌症易感性，但人們對這些因子的水平如何影響癌症進展卻知之甚少。科勒指出，這項知識空白對於全面了解表觀遺傳學如何影響患者預後至關重要。

表觀遺傳學模式與臨床結果

為了了解表觀遺傳模式與臨床結果之間是否存在關係，研究人員分析了720種表觀遺傳因子的表達模式，將24種不同癌症類型的腫瘤分為不同的群組。

研究團隊發現，在24種成人癌症類型中，有10種癌症的群組與患者預後的顯著差異有關，包括無惡化存活期、疾病特異性存活期和總存活期。

這一點在腎上腺皮質癌、腎透明細胞癌、腦低度膠質瘤、肝肝細胞癌和肺腺癌中尤其明顯，在這些癌症中，所有存活測量指標的差異都很顯著。預後較差的群組往往有較高的癌症分期、較大的腫瘤體積或更嚴重的擴散指標。

「我們發現，表觀遺傳因素的預後效果取決於癌症類型的原發組織，”該研究的共同第一作者、科勒實驗室的計畫副科學家米滕-米特拉（Mithun Mitra）說。”我們甚至在分析的幾種小兒癌症類型中也發現了這種關聯。這可能有助於決定針對這些因素進行治療的癌症特異性相關性”。

預測患者預後的人工智慧模型

研究小組隨後利用表觀遺傳因子基因表現水平來訓練和測試一個人工智慧模型，以預測患者的預後。該模型專門用於預測在生存測量中存在顯著差異的五種癌症類型可能發生的情況。

科學家發現，該模型可以成功地將這五種癌症類型的患者分為兩組：一組患者的預後明顯較好，另一組患者的預後較差。

他們也發現，對人工智慧模型最關鍵的基因與組群定義特徵基因有明顯重疊。

更廣泛的應用潛力

Mitra說：”泛癌症人工智慧模型是在TCGA隊列中的成年患者身上訓練和測試出來的，如果能在其他獨立資料集上進行測試，就能很好地探索它的廣泛適用性。可以為兒科癌症生成類似的基於表觀遺傳因素的模型，看看與基於成人癌症建立的模型相比，哪些因素會影響決策過程。”

“我們的研究有助於為類似的人工智慧模型提供路線圖，這些模型可以透過公開的預後表觀遺傳因素清單生成，”該研究的第一作者、加州大學洛杉磯分校生物資訊學跨系計畫研究生麥可-程（Michael Cheng）說。”路線圖顯示如何識別不同類型癌症中的某些影響因素，並包含了預測癌症治療特定標靶的令人興奮的潛力”。