出处：www.sciencedaily.com 

患者源性人工类器官中抗肿瘤药物反应及抗肿瘤靶蛋白相关基因转录组学习的研究

随着药物基因组学的出现，机器学习研究正在顺利进行，以预测患者的药物反应，这是不同的个体，算法从以前收集的药物反应数据。输入尽可能反映患者药物反应的高质量学习数据是提高预测准确性的起点。以前采用的是动物模型的临床前研究，与人类临床数据相比，动物模型的临床前研究相对容易获得。

有鉴于此，POSTECH生命科学系的Sanguk Kim教授领导的一个研究小组通过使用与真人反应最接近的数据，成功地提高了抗癌药物反应预测的准确性，引起了人们的注意。该团队开发了这种机器学习技术，通过算法从来自实际病人而不是动物模型的人造器官中学习转录组信息。这些研究结果发表在10月30日的国际期刊《自然通讯》上。

即使是患有同一种癌症的患者，对抗癌药物也会有不同的反应，因此在治疗开发中，定制治疗被认为是最重要的。然而，目前的预测是基于癌细胞的遗传信息，这限制了它们的准确性。由于不必要的生物标记信息，机器学习出现了基于错误信号的学习问题。

为了提高预测的准确性，研究团队引入了利用蛋白质相互作用网络的机器学习算法，该网络可以与目标蛋白质以及与药物靶点直接相关的单个蛋白质的转录组相互作用。它诱导学习在功能上接近目标蛋白的蛋白质的转录组生产。通过这样，我们可以只学习选定的生物标记，而不是传统机器学习必须学习的错误生物标记，提高了准确性。

此外，来自患者器官类的数据——而不是动物模型——被用来缩小实际患者反应的差异。该方法预测结肠直肠癌患者5-氟尿嘧啶治疗和膀胱癌患者顺铂治疗与实际临床结果具有可比性。