馬里蘭大學領導的研究團隊正在使用人工智能的一個分支，即機器學習，以更好地將免疫療法的治療目標對準那些將受益的人。人體免疫系統(tǒng)的一部分細胞毒性T細胞(紅色)對口腔癌細胞產(chǎn)生攻擊。圖片由貝勒醫(yī)學院NCI /鄧肯綜合癌癥中心提供

近年來，利用人自身免疫系統(tǒng)對抗癌癥的免疫療法取得了革命性的成果，其中包括治愈以前無法手術的晚期疾病的人。如此出色的成功推動了其中一些藥物成為治療多種形式癌癥的護理標準。但是，其中大多數(shù)僅對少數(shù)患者有效。在某些情況下，每100名患者中只有不到20名受益。

顯然，改善免疫療法的使用并從不成功(因此是不必要)的治療中減少成本，在于更準確地預測哪些患者將從中受益。

馬里蘭大學計算機科學助理教授Mark(Max)Leiserson和Microsoft研究與紀念斯隆·凱特琳癌癥中心的同事認為，更好地進行預測的方法在于一種新的計算機建模方法，該方法可以分析多個方面的數(shù)據(jù)患者和他們的癌癥同時發(fā)生。在發(fā)表在《PLOS One》雜志上的一項最新研究中，Leiserson及其同事使用了膀胱癌患者臨床試驗的數(shù)據(jù)來證明，他們的方法可以識別出一系列特征，這些特征可以準確預測關鍵的免疫系統(tǒng)對治療的反應，同時減少過度治療減半

該論文的主要作者萊森森說：“如果您的目標是對待特定數(shù)據(jù)集中的每個人都會做出回應，那么我們在本文中展示的多因素建模類型將使您做到這一點，同時減少了更少的不會回應的人。”以及UMD計算機科學系的助理教授。Leiserson在新英格蘭Microsoft Research擔任博士后研究員時就開始進行這項研究，并繼續(xù)為該公司提供咨詢。

他說：“這項研究令人興奮的是，我們不僅關注患者的預后，而且關注免疫應答的特定標志，這使我們對所發(fā)生的事情有了更好的了解。”

相比之下，Leiserson及其同事表明，他們對哪些患者將受益的多因素計算機模型預測可能包括多達38%的無益患者，而仍能捕獲100%的患者。他們發(fā)現(xiàn)，關鍵是要包括三種不同類型的數(shù)據(jù)，這在癌癥研究或治療中目前還不是標準的數(shù)據(jù)。

盡管免疫療法研究人員開始收集有關癌癥患者及其對療法的反應的更多信息，但重點仍然主要在于尋找一些關鍵標志物，這些標志物是成功的重要預測指標。但是，解決方案可能要復雜得多。對于所有患者而言，可能不僅有少數(shù)重要特征或標記，而且存在的特征或標記很可能以某種復雜的組合起作用。

“人們已經(jīng)意識到預測反應越來越合適和需要，并且能夠做到這一點，傳統(tǒng)的單一生物標志物方法并不總是足夠的，” Leiserson說。

為了生成他們的計算機模型，Leiserson和他的團隊使用獨特而豐富的數(shù)據(jù)集對來自臨床試驗的數(shù)據(jù)進行了分析，該數(shù)據(jù)集捕獲了有關腫瘤細胞，免疫細胞的信息以及諸如人口統(tǒng)計和病史的患者信息。與許多研究一樣，該試驗旨在發(fā)現(xiàn)與對藥物的特定反應相關的關鍵特征。認識到這種多模式數(shù)據(jù)集的潛力，研究人員發(fā)現(xiàn)了將機器學習應用于問題的機會。該研究論文Mark DM Leiserson，Vasilis Syrgkanis，Amy Gilson，Miroslav Dudik，Sharon Gillett，Jennifer Chayes，Christian Borgs，Dean F.Bajorin，Jonathan喬納森說：“針對PD-L1抑制劑的T細胞擴增和持久臨床獲益的多因素模型” E. Rosenberg，Samuel Funt，Alexandra Snyder和Lester Mackey發(fā)表在他們的模型中。他們將36種不同的特征輸入到他們的模型中，并允許計算機識別出可以預測治療后患者血液中潛在的抗腫瘤免疫細胞增加的模式。(在研究的患者中，治療后血液中T細胞的擴增與無進展生存期相關。)

最終的算法確定了20個特征，當一起分析時，可以解釋患者免疫應答變化的79%。根據(jù)Leiserson的說法，這意味著為這些患者收集的異常全面的特征集足以準確預測患者的免疫反應。

更重要的是，他們發(fā)現(xiàn)，如果從模型中消除了三類數(shù)據(jù)中的任何一種(腫瘤數(shù)據(jù)，免疫細胞數(shù)據(jù)或患者臨床數(shù)據(jù))，則免疫反應將不再可預測-他們的模型最多只能預測23%的變化。Leiserson強調，重要的不一定是20個特征，而是對多因素方法的依賴。

他說：“我們確定的這些特征可能不是唯一可以用來預測患者反應的特征。” “您可能會用其他方法替代它們，但這是關于方法以及所有三類功能的納入。”

Leiserson認為這項工作與當前在精確腫瘤學方面的努力是自然平行的，后者旨在針對個別患者腫瘤的遺傳學和分子特征量身定制治療方法。

他說：“我們正在通過查看患者的分子特征和臨床病史來預測他們將要發(fā)生的情況。” “這是建立對腫瘤分子結構的了解，它提供了除腫瘤所在的組織或在顯微鏡下的腫瘤外觀之外的其他信息。”

科學家開發(fā)的模型尚未準備好用作診斷工具，因為它僅合并了21位患者的數(shù)據(jù)，對于一般人群而言，該數(shù)據(jù)太少了，無法預測。Leiserson說，他們希望隨著更多數(shù)據(jù)的加入而將患者添加到模型中。他希望這項研究的成功將鼓勵醫(yī)院和其他研究人員將時間和精力投入到收集比傳統(tǒng)方法更多的信息上。

“這項工作的目標之一是提出一個問題，'醫(yī)院應該優(yōu)先收集此類數(shù)據(jù)嗎?'” “現(xiàn)在我們可以說，這種多因素方法使我們可以更好地預測對這些免疫療法的反應。我希望這能激發(fā)繼續(xù)收集這些數(shù)據(jù)的努力和支出。”