Nature Cancer：人工智能预测胰腺腺癌患者的预后

胰腺导管腺癌（PDAC）是最具攻击性的恶性肿瘤之一。它在美国造成55,550人死亡，预计到2030年将成为全国癌症相关死亡的第二大原因。虽然只有30-40%的PDAC患者患有局部疾病，并在诊断或新辅助化疗后接受潜在的治疗性手术切除，但大多数患者复发并屈服于疾病。

尽管在分子测试方面取得了进展，但血清碳水化合物抗原19-9（CA 19-9）于1979年首次被发现，目前是美国食品药品监督管理局（FDA）批准的唯一广泛用于PDAC诊断管理和术前预后的生物标志物；然而，CA 19-9有局限性，由于其他病理条件，假阳性率很高，并可能导致约10%的人口出现假阴性。因此，迫切需要改进新的标记，旨在识别最有可能通过手术治愈的患者和/或对系统性治疗做出反应。

一种可能导致这种改进的方法是将肿瘤和宿主的全面分子评估与机器学习（ML）模型相结合。其他肿瘤类型的研究使用了ML，并利用各种分子分析物来预测治疗反应并改善预后。大多数这些调查，特别是PDAC的调查，只关注DNA等有限的生物变量，并将其与ML相结合，以确定发现是否可以预测结果。

PDAC的多基因组蛋白基因组研究揭示了PDAC的独特表型，但它们显示预测临床结果的能力有限。即使有效，这种多组分析的性质也具有很高的复杂性和资源成本。因此，开发新的预测性生物标志物的一个重要考虑因素是如何利用多组学的力量来开发啬啬的标记面板，这些标记面板既具有成本效益，又可以在资源丰富和有限的国家的临床实践中部署。

2024年1月22日发表在Nature Cancer的文章，使用一个多组分析平台，该平台除了检查普通分析物之外，还包括高级分子分析。从肿瘤和宿主样本中收集了分子剖析数据，包括计算病理学特征。开发并将多个ML模型应用于该数据集，以测试这种方法可以提供生物标志面板的假设，以准确预测可切除PDAC患者手术后的DS。

通过递归特征/分析物消除，本文的方法还能够提供一个使用有限数量特征/分析物的简约模型，与本文开发的完整优化模型相比，该模型在预测DS方面保持了高度的性能。利用来自癌症基因组图集（TCGA）、约翰·霍普金斯大学（JHU）和马萨诸塞州总医院（MGH）的外部样本/数据，我们独立验证了完整和ML模型预测DS的能力。

通过这项分析，在术前环境中可用的所有分析物中，血浆蛋白是最重要的生物标志物，具有强大的生存预测能力，优于CA 19-9。这项工作是本文分子孪生平台的概念证明；一个患者的虚拟生物信息计算副本，可以通过纵向获得的额外分析物类型在空间和时间上更新和丰富。虽然在这里使用PDAC，但这种方法是肿瘤型不可知论者，允许它潜在地影响所有癌症的临床护理和科学发现。

在这里，本文描述了一个被称为分子双胞胎的精密医学平台，该平台由先进的机器学习模型组成，并用它来分析切除胰腺导管腺癌患者的6,363个临床和多组分子特征的数据集，以准确预测疾病存活率（DS）。

研究结果显示，一个完整的多组学模型以最高的准确性预测DS，而血浆蛋白是DS的顶级单组学预测指标。本文的模型仅学习589个多欧米克特征，表现出与全多欧米克模型相似的预测性能。本文的平台能够发现的生物标志物面板，并评估从资源密集型面板学习的结果预测模型的性能。

计算病理学管道

综上所述，这项概念验证但经过外部验证的研究检查了一种侵袭性恶性肿瘤PDAC，该恶性缺乏强大的预测和预后生物标志物。分子双胞胎代表了发现有前途的预测性和临床意义的生物标志物的前进道路，这些标志物是治疗目标，并最终是民主化和减少所有类型癌症使用精密药物的国家和全球健康差异的工具。

原文出处

Osipov, A., Nikolic, O., Gertych, A. et al. The Molecular Twin artificial-intelligence platform integrates multi-omic data to predict outcomes for pancreatic adenocarcinoma patients.Nat Cancer (2024). https://doi.org/10.1038/s43018-023-00697-7