研究癌症治疗的计算方法

人工智能（AI）和机器学习算法有可能在探索复杂疾病的研究领域带来大量进步，并试图确定有效治疗。Benjamin Haibe-Kains博士，在多伦多玛格丽特癌症中心工作，已经花了十年的发展机器学习工具和数据库，可以帮助科学家对不同亚癌症的亚型和对药理治疗的反应来说更好地了解为了确定个体患者的更有效的药物。

大数据的计算分析将在用于医学和基础研究的方法方面带来巨大进步。世界各地的许多研究人员已经开始开发能够分析大量生物和医学数据的算法，为未来的研究确定新的假设。医学研究的一个特殊领域可能会从机器学习算法的使用中受益匪浅，那就是探索癌症基因组学，并试图确定不同亚型疾病的最佳治疗方法。

本杰明Haibe-Kains博士探讨了机器学习算法，生物信息学和计算基因组学，以提高癌症患者的生存期的预测和对治疗的应答​​的潜力

大数据的价值和挑战
多年来，科学家从实验中收集了大量数据，旨在更好地理解复杂疾病背后的分子动力学。然而，这些数据的复杂性使得人类研究人员很难进行深入的分析和提取相关信息。这就是使用高性能计算机，加上正确的程序可能会有很大帮助的地方。在过去的几十年里，计算机科学家一直在努力开发机器学习算法——允许机器快速分析大量数据的程序，并“学习”有助于识别相关信息并做出预测的模型。这些算法可以用来开发人工智能(AI)工具，帮助人类分析超出我们能力范围的数据。随着人工智能工具变得越来越先进和复杂，它们正在通过改变研究和调查的方式，在更短的时间内获得重要发现，为大数据分析开辟了一个新的可能性世界。

人工智能和癌症研究
当试图确定它们的有效药理学治疗时，人工智能和其底层机器学习算法可能是研究探索复杂疾病的特殊价值。

癌症是全世界的主要死因之一，是一个完美的例子。科学家们尚未能够识别对癌症的系统治疗，这是成功治愈疾病的许多最具侵略性的亚型。癌症源于身体的给定部位的异常细胞的不受控制的分裂，这可以侵入和破坏周围的健康组织和器官。它是一种极其复杂的疾病，具有超过200个亚型，每种亚型通常常被诊断和治疗。由于癌症从细胞的基因组材料中的畸变产生，科学家们已经开发了复杂的分析技术，以测量这些像差并使用它们来个性化疗法。尽管如此，癌症最常见的治疗方法是化疗，使用药物杀死最增殖的细胞和放射治疗，使用高能X射线。这些治疗有时可以成功地减少或消除癌细胞，但它们可能具有高度毒性，并且不会朝着使每个肿瘤具有独特的特定基因组畸变组成。

人工智能工具可以通过分析每种肿瘤的复杂基因组化妆来协助研究人员，以制定准确的治疗反应预测因子。这反过来反过来帮助确定对个体患者的更有效的治疗方法，是个性化医学的重要步骤。

癌症研究的计算方法
在他的整个职业生涯中，本杰明·海贝-凯恩博士探索了机器学习算法、生物信息学和计算基因组学的潜力，以改善对患者存活率和治疗反应的预测。在比利时的Université Libre de Bruxelles大学接受研究生培训期间，他致力于基于高维基因表达(信使RNA)数据开发乳腺癌患者生存预测因子。他在哈佛大学公共卫生学院的Dana-Farber癌症研究所继续他的博士后研究，利用大量数据开发“基因表达签名”，以强有力地识别乳腺癌和卵巢癌的分子亚型。

利用大型癌症分子数据和机器学习算法，博士和他的合作者确定了几种“预后生物标志物”，是使用特定分子特征的计算模型，以预测癌症患者的存活概率治疗。他说：“在许多发现中，我的研究揭开了与患者在每种分子亚型中相关的癌症途径活动的景观，让我进一步改善我的分子预后模型。”

个体患者的有效治疗
2012年，海贝博士开始了自己独立的实验室，拓宽了他的研究领域，以探讨机器学习算法可用于预测患者治疗反应的方式。与IBM这样的大玩家宣布沃目森倡议开发AI在其待遇决策过程中协助肿瘤学家，这是博士博士博士的令人兴奋的机会，以扩展患者的生存，并使个性化医学成为现实的生物标志物发现。然而，博士和他的团队迅速认识到，由于临床试验的高成本，与给定治疗和癌症亚型相关的现有临床数据非常稀缺。鉴于机器学习通常需要大的样本量来避免人工偶然发现，是时候调查“临床前模型”是时候衍生自患有患者肿瘤的癌细胞，即一种可以无限复制。因此，与临床试验相比，这些模型提供了奇妙的优势，因为可以用多种疗法测试相同的癌细胞来评估哪一个是最有效的，与患者不可能进行。

荷兰博士的实验室投入了大部分资源，在临床前模型中致编制和策划最大的抗癌药物屏幕。这种屏幕不仅含有癌细胞的基因组化妆，还含有这些细胞对化学处理的反应方式;这些复杂的数据被称为药代表。这些努力导致PharmacoDB的发展¹，一个web应用使研究人员能够快速访问数据药物基因组学研究染色体异常和药物反应之间的可能关联。

人工智能在基础和翻译癌症研究中的应用可以标志着个性化医学的新时代的开始

由于他目前的研究的一部分，Haibe-Kains博士在数据库上进行测试的机器学习算法，尝试和治疗反应的精确预测。用正确的机器学习算法配对，PharmacoDB可用于开发的AI工具中最有效的治疗方法为每个癌症患者的选择协助。博士Haibe-Kains’实验室还利用这些宝贵的数据来解决的另一个重要问题在癌症研究：如何根据它们的作用机制药物的分类？虽然生物学家，化学家和药理学家联手开发的药物具有较高的抗癌潜力大的投资组合，目前还不清楚这些许多药物他们实际上是如何抑制癌细胞的生长。博士Haibe-Kains和他的团队开发的毒品网络融合（DNF），一种新的技术整合多种药物基因组学数据来设计一个全面的药物相似的地图（或分类）。DNF使研究人员能够与充分表征的药物的作用机理未知评价药物之间的相似性，因此提供了一个有效的工具，以确定批准或实验药物潜在的新适应症（这个过程被称为“药物再利用”）。随着越来越多的药物基因组学数据可用和机器学习算法得到进一步改善，数据库如PharmacoDB就会变得极其宝贵的资源。

一个新的研究时代
如果开发和使用正确，机器学习和人工智能工具在基础和转化癌症研究中的使用可能标志着个性化医疗新时代的开始，其特点是快速和先进的数据分析，这是以前无法实现的。Haibe-Kains博士的工作就是一个完美的例子，因为他引入了计算方法，通过分析大量数据集和识别治疗反应的预测因素，可以显著加快癌症研究的速度。

荷兰博士的研究方法是高度合作和多学科的，从许多不同的领域合并科学家的专业知识。将来，他开发的计算方法可能导致地面发现，这可能会通知肿瘤学家如何在临床环境中为单个癌症患者选择最有效的治疗方法。

参考文献

1. http://pharmacodb.pmgenomics.ca/
2. 药典：用于分析大型药物代理数据集的R包装。Smirnov P，Safikhani Z，El-Hachem N，王D，她A，Olsen C，Freeman M，Selby H，Gendoo DM，Grossman P，Beck啊，艾尔特斯HJ，Lupien M，Goldenberg A，Habe-Kains B. BioInformatics．2015年12月9日。
3. PharmacoDB:一个用于挖掘体外抗癌药物筛选研究的综合数据库。Smirnov P, Kofia V, Maru A, Freeman M, Ho C, El-Hachem N, Adam GA, Ba-alawi W, Safikhani Z, Haibe-Kains B. Nucleic Acids Res. 2017 Oct 9, gkx911。
4. 综合性癌症药物蛋白酶体推断大规模药物分类。El-Hachem N，Gendoo DM，Soltan Ghoraie L，Safikhani Z，Smirnov P，Chung C，Deng K，Fang A，Birkwood E，Ho C，Iserlin R，Bader G，Goldenberg A，Haibe-Kains B.癌症Res。2017年3月17日。
5. 基因同种型作为基于表达的生物标志物预测药物反应在体外．Safikhani Z, Smirnov P, Thu KL, Silvester J, Lupien M, Mak TW, Cescon D, Haibe-Kains B. Nat Commun 2017年10月，正在出版中。