迈阿密大学米勒医学院西尔维斯特综合癌症中心的科学家们与国际研究人员合作，开发了一种复杂的人工智能算法，可以进行高级计算分析，以确定多形性胶质母细胞瘤（GBM）和其他癌症的潜在治疗目标。
该图像显示了用于精确瞄准胶质母细胞瘤主激酶的SPHINKS网络。资料来源：Antonio Iavarone, M.D.
他们的研究在2月2日的《自然-癌症》杂志上有所描述，并可能对GBM（一种侵袭性的、通常是致命的脑癌类型）以及某些乳腺癌、肺癌和儿科癌症的未来治疗产生深远影响。
西尔维斯特综合癌症中心副主任、该研究的资深作者、医学博士Antonio Iavarone解释说："我们的工作代表了转化科学，为改变胶质母细胞瘤患者在临床上的常规管理方式提供了直接机会。算法为精准癌症医学提供了应用，给肿瘤学家提供了一个新的工具来对抗这种致命的疾病和其他癌症。"
这种人工智能算法被称为SPHINKS--基于底物PHosphosite的激酶网络推断--部署了深度机器学习，以帮助研究人员识别和实验验证两种蛋白激酶（PKCd和DNAPKcs），作为与两种GBM亚型的肿瘤进展相关的罪魁祸首，并作为其他癌症的潜在治疗目标。
蛋白激酶是目前用于精准癌症医学的关键目标，以根据病人的特定癌症特性进行治疗。研究人员将最活跃的激酶在他们的论文中称为"主激酶"，是那些临床医生直接使用靶向药物作为当前癌症治疗的标志的激酶。
除了确定主激酶之外，Iavarone博士及其同事还使用了在实验室中从患者样本中生长出来的肿瘤器官 - 他们称之为"患者衍生的肿瘤化身"来证明干扰主激酶活性的靶向药物能够阻挠肿瘤的生长。
此前，Iavarone博士和团队已经报告了一种新的胶质母细胞瘤分类，通过捕捉关键的肿瘤细胞特征，并根据GBM患者的生存可能性和他们的肿瘤对药物的脆弱性进行分组。在新的研究中，这些分类是通过几个全能学平台独立确认的：基因组学（基因）、蛋白质组学（蛋白质）、脂质组学（脂肪分子）、乙酰组学（表观遗传学）、代谢组学（代谢物）和其他。
SPHINKS利用机器学习来完善这些omics数据集，并创建一个互动组--一套完整的生物互动--以确定每个胶质母细胞瘤亚型中产生异常生长和治疗抗性的激酶。这些发现表明，多组学数据可以产生新的算法，根据每个病人的胶质母细胞瘤亚型预测哪些靶向疗法可以提供最佳治疗方案。
"我们现在可以根据不同omics之间共同的生物特征对胶质母细胞瘤患者进行分层，"Iavarone博士说。"仅仅阅读基因组是不够的。我们已经需要更全面的数据来确定肿瘤的脆弱性"。
尽管在许多其他癌症方面取得了突破性进展，胶质母细胞瘤患者面临着令人沮丧的预后--五年生存率低于10%。尽管正在开发许多药物作为潜在的治疗方法，但临床医生一直需要一种方法来确定驱动每个病人疾病的分子机制，并适用于精准癌症医学。
研究人员说，SPHINKS算法和相关方法可以很容易地被纳入分子病理学实验室。他们的论文包括一个临床分类器，可以帮助给每个病人分配适当的胶质母细胞瘤亚型。该团队还建立了一个在线门户来访问该算法。作者认为这种方法可以产生有洞察力的信息，使多达75%的胶质母细胞瘤患者受益。
西尔维斯特中心生物化学和分子生物学教授、该研究的共同第一作者、医学博士Anna Lasorella说："这个分类器基本上可以在任何实验室使用。通过将全息信息导入门户网站，病理学家可以收到一个肿瘤、十个肿瘤的分类信息，无论他们导入多少个，这些分类可以立即应用于病人护理"。
虽然SPHINKS首先在胶质母细胞瘤上测试，但该算法同样适用于其他几种癌症。该团队在乳腺癌、肺癌和小儿脑瘤中发现了相同的癌症驱动激酶。Iavarone和Lasorella博士及其同事认为这一发现可能是一种新型临床试验的动力。
"我们正在探索篮子试验的概念，"Iavarone博士解释说，"这将包括具有相同生物亚型但不一定是相同癌症类型的患者。如果胶质母细胞瘤或乳腺癌或肺癌患者具有类似的分子特征，他们可以被纳入同一个试验中，与其为一种药物做多次试验，我们可以进行一次联合试验，并有可能更快地将更多有效的药物带给更多的患者。"