迈阿密大学米勒医学院西尔维斯特综合癌症中心的科学家与国际研究人员合作，开发了一种复杂的人工智能算法，该算法可以执行高级计算分析，以确定多形性胶质母细胞瘤(GBM)和其他癌症的潜在治疗靶点。

他们的研究在2月<>日的《自然癌症》杂志上进行了描述，可能对GBM的未来治疗产生深远的影响，GBM是一种侵袭性的，通常是致命的脑癌，以及某些乳腺癌，肺癌和儿科癌症。

“我们的工作代表了转化科学，为改变胶质母细胞瘤患者在诊所的常规管理方式提供了直接的机会，”西尔维斯特综合癌症中心副主任，该研究的资深作者Antonio Iavarone博士解释说。“我们的算法为精准癌症医学提供了应用，为肿瘤学家提供了一种对抗这种致命疾病和其他癌症的新工具。

被称为SPHINKS(基于底物PHosphosite的激酶网络推理)的AI算法部署了深度机器学习，以帮助研究人员识别和实验验证两种蛋白激酶(PKCδ和DNAPKcs)作为与两种GBM亚型肿瘤进展相关的罪魁祸首，并作为其他癌症的潜在治疗靶点。

蛋白激酶是目前用于精准癌症医学的关键靶标，可根据患者的特定癌症特性定制治疗。研究人员在他们的论文中称之为“主激酶”的最活跃的激酶是临床医生将靶向药物作为当前癌症治疗标志的那些。

除了鉴定主激酶外，Iavarone博士及其同事还使用实验室中从患者样本中生长的肿瘤类器官 - 他们称之为“患者来源的肿瘤化身” - 表明干扰主激酶活性的靶向药物可以阻止肿瘤生长。

此前，Iavarone博士及其团队通过捕获关键的肿瘤细胞特征并根据GBM患者的生存可能性和肿瘤对药物的脆弱性对GBM患者进行分组，报告了一种新的胶质母细胞瘤分类。在这项新研究中，这些分类通过几个组学平台独立确认：基因组学(基因)，蛋白质组学(蛋白质)脂质组学(脂肪分子)，乙酰组学(表观遗传学)，代谢组学(代谢物)等。

SPHINKS利用机器学习来完善这些组学数据集，并创建一个相互作用组 - 一套完整的生物相互作用 - 以查明在每个胶质母细胞瘤亚型中产生异常生长和治疗耐药性的激酶。这些发现表明，多组学数据可以产生新的算法，根据每个患者的胶质母细胞瘤亚型预测哪些靶向治疗可以提供最佳治疗选择。

“我们现在可以根据不同组学之间常见的生物学特征对胶质母细胞瘤患者进行分层，”Iavarone博士说。“仅阅读基因组是不够的。我们需要更全面的数据来识别肿瘤的脆弱性。

尽管在许多其他癌症方面取得了突破，但胶质母细胞瘤患者面临着令人沮丧的预后——五年生存率低于10%。尽管许多药物正在开发作为潜在疗法，但临床医生需要一种方法来确定驱动每个患者疾病的分子机制，并适用于精准癌症医学。

据研究人员称，SPHINKS算法和相关方法可以很容易地纳入分子病理学实验室。他们的论文包括一个临床分类器，可以帮助为每个患者分配适当的胶质母细胞瘤亚型。该团队还建立了一个在线门户来访问该算法。作者认为，这种方法可以产生有见地的信息，可以使多达75%的胶质母细胞瘤患者受益。

“这种分类器基本上可以在任何实验室中使用，”Sylvester CCC生物化学和分子生物学教授，该研究的共同资深作者Anna Lasorella博士说。“通过将组学信息导入门户网站，病理学家可以获得一个肿瘤，十个肿瘤的分类信息，无论他们导入多少。这些分类可以立即应用于患者护理。

虽然SPHINKS首先在胶质母细胞瘤上进行了测试，但该算法同样适用于其他几种癌症。研究小组在乳腺癌，肺癌和儿科脑肿瘤中发现了相同的癌症驱动激酶。Iavarone博士和Lasorella博士及其同事认为，这一发现可能成为新型临床试验的动力。

“我们正在探索篮子试验的概念，”Iavarone博士解释说，“其中包括具有相同生物亚型但不一定是相同癌症类型的患者。如果胶质母细胞瘤或乳腺癌或肺癌患者具有相似的分子特征，他们可以被纳入同一试验，“他继续说道。“与其对单一药物进行多项试验，我们可以进行一项联合试验，并可能更快地为更多患者带来更有效的药物。