数据科学在癌症综合预测中占据中心地位

联合疗法正迅速成为下一波癌症治疗的基石，但为什么它们如此重要?我们知道精确地靶向癌症的驱动因素可以改善患者的反应-一个很好的例子是使用EGFR抑制剂EGFR.突变的肿瘤- - - - - -然而，癌症是一种复杂的、不断发展的疾病，可能会限制单一治疗的有效性。使用药物组合来抑制不同的癌症途径有可能针对不同的肿瘤细胞群，并关闭使癌细胞逃避死亡的旁路机制。这个概念听起来很简单，但癌症基因组的大量可能组合和复杂性意味着确定最有希望的组合不是一件简单的任务。

今天，我们可以轻松筛选跨细胞面板的大量药物组合，但是我们需要找到更有效的方法来理解所产生的数据，以预测最佳组合，并理解哪个患者最有可能受益。这是哪里数据科学占据中心阶段。

作为欧洲杯微信买球阿斯利康-桑格联合药物预测梦挑战，我们分享了85种分子特征的癌细胞系中超过11000种经过实验测试的药物组合的药物靶标信息。这是迄今为止所有公司或组织所共享的最大、最多样化的数据集之一，它使参与者能够训练和测试计算模型，以预测药物协同作用。挑战赛的结果发表在最近出版的自然通讯，这些数据现在可供进一步研究突触．

众包的力量在这个项目中发挥了充分的作用——我们看到了>100种不同的方法，我们可能从未在内部尝试过。通过了解哪种方法在不同的细胞和药物环境中表现得更好，还有很多东西需要学习。最成功的模型将机器学习与创新方法配对，以过滤与癌症或药物靶标相关的分子特征，并根据靶标或信号通路对药物进行分组，使算法能够在它们之间共享学习。在获奖的模型中，超过60%的组合药物之间的联合协同作用得到了良好的预测。一个特别有趣的观察结果是，当两种药物针对同一调节器下游的平行节点时，其普遍可预测性更强。

挑战还提供了对诊所潜在的稳定性的响应推定生物标志物的洞察力。在具有激活突变的细胞中，AKT抑制剂和PAN-PI3K抑制剂之间始终如一地看到SynergyPIK3CA或者PTEN和EGFR抑制剂在细胞内的激活EGFR.或者erbb2.突变。当然，癌症生物学的许多方面并没有被细胞模型捕捉到——例如免疫介导的耐药性机制，但通过公开这些数据和算法，我们希望这能提供一个平台，加速该领域的进一步研究。

^{Veeva ID: z4 - 17750
下一次回顾日期:2021年6月19日}