东方时讯网为癌症患者选择适当治疗的第一步是确定他们的特定癌症类型，包括确定原发部位——癌症开始的器官或身体部位。在极少数情况下，即使经过广泛的检测，也无法确定癌症的起源。尽管这些原发性未知的癌症往往具有侵袭性，但肿瘤学家必须用非靶向疗法治疗它们，这些疗法通常具有严重的毒性并导致低存活率。
麻省理工学院科赫综合癌症研究所和马萨诸塞州总医院(MGH)的研究人员开发的一种新的深度学习方法可以通过仔细研究与早期细胞发育和分化相关的基因表达程序来帮助对未知原发性癌症进行分类。
“有时你可以应用病理学家必须提供的所有工具，但你仍然没有答案，”科赫研究所的查尔斯W.(1955)和詹妮弗C.约翰逊临床研究员、病理学家SalilGarg说。麻省总医院。“像这样的机器学习工具可以使肿瘤学家选择更有效的治疗方法，并为他们的患者提供更多指导。”
Garg是一项新研究的资深作者，该研究于8月30日发表在CancerDiscovery上。人工智能工具能够以高度的敏感性和准确性识别癌症类型。Garg是该研究的资深作者，麻省理工学院博士后EnricoMoiso是第一作者。
开发中的机器学习
解析不同类型原发性未知肿瘤的基因表达差异是机器学习解决的理想问题。癌细胞的外观和行为与正常细胞完全不同，部分原因是它们的基因表达方式发生了广泛的改变。由于单细胞分析的进步和在细胞图谱中对不同细胞表达模式进行分类的努力，有大量的数据——如果对人眼来说是压倒性的——包含不同癌症起源方式和起源的线索。
然而，建立一个机器学习模型，利用健康和正常细胞之间以及不同种类癌症之间的差异，将其用于诊断工具是一种平衡行为。如果一个模型过于复杂并且考虑了太多癌症基因表达的特征，该模型可能看起来完美地学习了训练数据，但在遇到新数据时会动摇。然而，通过缩小特征数量来简化模型，模型可能会遗漏导致癌症类型准确分类的信息种类。
为了在减少特征数量和提取最相关信息之间取得平衡，该团队将模型重点放在癌细胞发育途径改变的迹象上。随着胚胎的发育和未分化的细胞专门进入各种器官，许多途径指导细胞如何分裂、生长、改变形状和迁移。随着肿瘤的发展，癌细胞会失去成熟细胞的许多特殊特征。同时，它们开始在某些方面类似于胚胎细胞，因为它们获得了增殖、转化和转移到新组织的能力。众所周知，许多驱动胚胎发生的基因表达程序在癌细胞中被重新激活或失调。
研究人员比较了两个大细胞图谱，确定了肿瘤和胚胎细胞之间的相关性：癌症基因组图谱(TCGA)，其中包含33种肿瘤类型的基因表达数据，以及小鼠器官发生细胞图谱(MOCA)，其中描述了56个独立的肿瘤细胞轨迹。胚胎细胞发育和分化。
“单细胞解析工具极大地改变了我们研究癌症生物学的方式，但我们如何使这场革命对患者产生影响是另一个问题，”Moiso解释说。“随着发育细胞图谱的出现，特别是那些关注器官发生早期阶段的图谱，如MOCA，我们可以将我们的工具扩展到组织学和基因组信息之外，并为分析和识别肿瘤以及开发新疗法的新方法打开大门。”
然后将肿瘤和胚胎细胞中发育基因表达模式之间的相关性图转化为机器学习模型。研究人员将来自TCGA的肿瘤样本的基因表达分解为与发育轨迹中特定时间点相对应的单个成分，并为这些成分中的每一个分配一个数学值。然后，研究人员建立了一个机器学习模型，称为发育多层感知器(D-MLP)，该模型对肿瘤的发育成分进行评分，然后预测其起源。
肿瘤分类
训练后，D-MLP被应用于52个新样本，这些样本是原发性未知的特别具有挑战性的癌症，这些癌症无法使用可用的工具进行诊断。这些病例代表了MGH从2017年开始的四年期间最具挑战性的病例。令人兴奋的是，该模型将肿瘤分为四类，并产生了可以指导这些患者诊断和治疗的预测和其他信息。
例如，一个样本来自一位有乳腺癌病史的患者，该患者在腹部周围的液体空间中显示出侵袭性癌症的迹象。肿瘤学家最初无法找到肿瘤块，也无法使用他们当时拥有的工具对癌细胞进行分类。然而，D-MLP强烈预测卵巢癌。患者首次就诊六个月后，终于在卵巢中发现了一个肿块，证明是肿瘤的起源。
此外，该研究对肿瘤细胞和胚胎细胞的系统比较揭示了对特定肿瘤类型基因表达谱的有希望的、有时令人惊讶的见解。例如，在胚胎发育的早期阶段，会形成一个基本的肠管，其中肺和其他附近的器官来自前肠，而大部分消化道则来自中肠和后肠。该研究表明，肺源性肿瘤细胞不仅与预期的前肠相似，而且与中肠和后肠衍生的发育轨迹相似。像这样的研究结果表明，有朝一日可以利用基因突变来设计个性化或靶向癌症治疗的方式来利用发育计划的差异。
虽然该研究提出了一种对肿瘤进行分类的有效方法，但它也有一些局限性。在未来的工作中，研究人员计划通过整合其他类型的数据来提高他们模型的预测能力，特别是从放射学、显微镜和其他类型的肿瘤成像中收集的信息。
“发育基因表达只代表了可用于诊断和治疗癌症的所有因素中的一小部分，”Garg说。“将放射学、病理学和基因表达信息整合在一起是癌症患者个性化医疗的真正下一步。”