新的机器学习方法可能有助于个性化癌症治疗
由约翰·霍普金斯大学工程师和癌症研究人员组成的团队开发的深度学习技术可以准确预测可能引发免疫系统反应的癌症相关蛋白质片段。如果在临床试验中得到验证，该技术可以帮助科学家克服开发个性化免疫疗法和疫苗的主要障碍。
在 7 月 20 日发表在《自然机器智能》杂志上的一项研究中 ，来自 约翰·霍普金斯生物医学工程、约翰·霍普金斯计算医学研究所、 约翰·霍普金斯金梅尔癌症中心和 彭博~金梅尔癌症免疫治疗研究所的研究人员 表明，他们的深度学习方法称为 BigMHC，可以识别癌细胞上引发肿瘤细胞杀伤免疫反应的蛋白质片段，这是了解免疫疗法反应和开发个性化癌症疗法的重要一步。
“癌症免疫疗法旨在激活患者的免疫系统以消灭癌细胞，” Rachel Karchin 博士说。生物医学工程、肿瘤学和计算机科学教授，计算医学研究所核心成员。“这个过程中的一个关键步骤是免疫系统通过 T 细胞与细胞表面的癌症特异性蛋白质片段结合来识别癌细胞。”
引发这种肿瘤杀伤免疫反应的癌症蛋白片段可能源自癌细胞基因组成的变化(或突变)，称为突变相关新抗原。每个患者的肿瘤都有一组独特的新抗原，这些新抗原决定了肿瘤的异质性，换句话说，决定了肿瘤构成与自身相比有多么不同。科学家可以通过分析癌症的基因组来识别患者的肿瘤具有哪些与突变相关的新抗原。确定那些最有可能引发肿瘤杀伤免疫反应的物质可以使科学家们开发个性化癌症疫苗或定制免疫疗法，并为患者选择这些疗法提供信息。然而，目前识别和验证触发免疫反应的新抗原的方法既耗时又昂贵，
由于新抗原验证需要大量资源，因此用于训练深度学习模型的数据很少。为了解决这个问题，研究人员通过称为迁移学习的两阶段过程训练了 BigMHC(一组深度神经网络)。首先，BigMHC 学会识别细胞表面呈现的抗原，这是适应性免疫反应的早期阶段，有许多数据可供使用。然后，BigMHC 通过学习后期 T 细胞识别进行微调，而该阶段的数据很少。通过这种方式，研究人员利用大量数据建立了抗原呈递模型，并完善了该模型来预测免疫原性抗原。
研究人员在大型独立数据集上测试了 BigMHC，结果表明它比其他方法更能预测抗原呈递。他们进一步根据研究合著者Kellie Smith 博士的数据测试了 BigMHC。Bloomberg~Kimmel 癌症免疫治疗研究所的肿瘤学副教授发现，BigMCH 在识别触发 T 细胞反应的新抗原方面明显优于其他七种方法。“BigMHC 在预测免疫原性新抗原方面具有出色的精确度，”Karchin 说。
研究人员表示：“临床迫切需要针对最有可能受益的患者群体定制癌症免疫疗法，而 BigMHC 可以揭示驱动肿瘤异质性的癌症特征，从而引发有效的抗肿瘤免疫反应。” -作者Valsamo “Elsa” Anagnostou，医学博士、博士 胸部肿瘤生物样本库主任、约翰·霍普金斯大学分子肿瘤委员会和精准肿瘤学分析负责人、金梅尔癌症中心肿瘤学副教授。
该团队目前正在多项免疫治疗临床试验中扩大对 BigMHC 的测试，以确定它是否可以帮助科学家筛选数十万种新抗原，筛选出最有可能引发免疫反应的抗原。
“希望 BigMHC 能够指导癌症免疫学家开发可用于多个患者的免疫疗法，或者开发能够增强患者免疫反应以杀癌细胞的个性化疫苗，”该研究的主要作者本杰明·亚历山大·阿尔伯特 (Benjamin Alexander Albert) 说道。研究进行时，约翰·霍普金斯大学生物医学工程和计算机科学系的本科生研究员。艾伯特现在是一名博士学位。加州大学圣地亚哥分校的学生。
Karchin 和她的团队相信 BigMHC 和类似的基于机器学习的工具可以帮助临床医生和癌症研究人员高效、经济地筛选开发更个性化的癌症治疗方法所需的大量数据。“深度学习在临床癌症研究和实践中发挥着重要作用，”卡钦说。
该研究的共同作者是约翰·霍普金斯大学的杨云晓、邵晓山和迪皮卡·辛格。
版权声明：本文由用户上传，如有侵权请联系删除！