根据癌症患者肿瘤中独有的遗传信息给定相适应的化疗自由选择，这一精准医疗的新方向往往因为难以确定出有所有有可能对某一疗法产生接收者的患者而无法广泛应用。据《CellReports》杂志近日在线公开发表的一份来自宾夕法尼亚大学的研究报告称之为，患者的其他分子信息可能会说明了出有这些所谓的“隐蔽接收者者”。
宾夕法尼亚大学佩雷尔曼医学院药理学助理教授CaseyGreene博士回应，靶向测序可以找到某些具有对抗癌药脆弱的基因突变的个体，但许多人缺少这些变异，而机器学习方法的改良可能会协助这些患者寻找适合的化疗方法。机器学习归属于人工智能的一个分支，需要用于数据来展开自学和预测。
Greene和论文第一作者GregoryP.Way利用机器学习对肿瘤中出现异常的蛋白活跃展开分类，他们设计的搜寻癌症基因组图谱（TCGA）的算法统合了33种有所不同癌症类型的基因数据,Greene和Way用于了mRNA组信息，即在个体内传达的所有信使RNA,这些“隐蔽接收者者”的mRNA组信息或许能说明了接收者分子状态。EvaluatingMachine-LearningClassificationofRasActivation研究人员尤其将模型应用于Ras通路，它能产生掌控细胞拷贝和丧生的蛋白质,Ras蛋白的长时间功能的变化--其变异约造成了30%的癌症--可以使癌细胞生长和蔓延,这些基因突变，是各种临床试验性抑制剂药物和疫苗化疗告终的众多原因。
Thisimageshowsmachinelearningandhiddenresponders.Credit:CaseyGreene,PhDPerelmanSchoolofMedicine,UniversityofPennsylvania,CellReports“这一模型是通过对TCGA中人类肿瘤的遗传数据展开训练，并需要预测某些抑制剂的反应。”Greene回应，mRNA组以往用作肿瘤精准化疗中的起到被高估了，当与机器学习结合时，它可以协助辨识潜在的“隐蔽接收者者”。
研究人员正在希望研究，通过机器学习分析失控的Ras活跃度和肿瘤数据，以协助患者寻找适合的化疗方法。
本文来源：中欧体育-www.zj-jinheng.com
