Nature:机器学习发现AKT和EZH2抑制剂组合有望治疗人类三阴性乳腺癌

机器学习是一种使计算机系统能够从数据中学习并做出预测或决策的技术。它是人工智能(AI)的一个重要分支,主要依赖于统计学、优化理论和计算机科学的方法。机器学习在肿瘤研究中扮演着越来越重要的角色,在肿瘤生物标志物、分子分型、药物发现和开发等领域中广泛应用。比如利用机器学习分析肿瘤基因组数据,识别与癌症相关的基因变异和突变,开发肿瘤早期诊断的预测模型;在药物发现阶段,机器学习可以预测小分子药物与靶点的结合能力,加速药物筛选过程。

近期,来自哈佛医学院的研究人员开发了一种基于AKT和EZH2双重抑制剂的三阴乳腺癌治疗方法,并利用机器学习筛选和构建了疗效敏感性预测模型,相关成果发表在Nature期刊上。

三阴性乳腺癌(TNBC)是最具侵袭性的乳腺癌亚型,复发率最高。晚期TNBC的主要治疗标准是进行全身化疗联合免疫治疗,或单独全身化疗;然而,治疗反应通常持续时间很短。因此,迫切需要开发更有效的治疗方法。

PI3K信号通路的组成部分是潜在的治疗靶点,因为在超过70%的TNBC病人中,PIK3CA、AKT1或PTEN均发生了改变。然而,与激素受体阳性乳腺癌亚型相比,目前尚不清楚TNBC是否会对PI3K通路抑制剂产生反应,以及会产生何种反应。

研究人员利用TNBC细胞系和小鼠模型测试了AKT抑制剂和组蛋白甲基转移酶EZH2抑制剂联合使用能有效杀死肿瘤细胞,有趣的是单独使用其中一种抑制剂对肿瘤没有效果。随后作者利用转录组测序和体内荧光成像等技术揭示了EZH2和AKT抑制剂可驱动TNBC细胞分化,促进其转变成管腔样(luminal-like)细胞状态,这是双重抑制剂抗肿瘤作用的关键因素。

研究人员聚焦管腔细胞分化的关键调节因子GATA3研究了双重抑制剂的作用机制。研究发现EZH2抑制能打开了增强子序列上的染色质从而调节GATA3的表达。AKT的抑制能阻碍FOXO1的磷酸化,并触发FOXO1在增强子和启动子序列上的结合。一旦细胞分化,EZH2和AKT抑制剂就能通过劫持退化过程中的信号分子来驱动细胞凋亡。进一步,这一过程通过诱导IL-6—JAK1—AT3通路,触发促凋亡蛋白BMF的表达来实现的。

EZHE/AKT双重抑制剂治疗TNBC的作用机制模式图

(图源Schade AE, et al., Nature, 2024)

研究发现EZH2和AKT抑制剂治疗TNBC细胞系呈现敏感型和耐药型,于是研究人员基于机器学习开发了药物治疗反应的预测模型。首先选择了17个细胞系(包含10个敏感细胞系和7个耐药细胞系)的转录组数据集,根据敏感型和耐药型的差异表达基因集(5组变量)作为训练集,随后选择随机森林和支持向量机算法构建预测模型并利用留一交叉验证策略(leave-one-out cross-validation)验证模型预测性能。根据预测性能准确性,研究人员选择差异倍数大于5倍的差异表达基因集作为变量和随机森林算法作为最优的预测模型。最后作者利用TCGA中TBNC组织样本的转录组数据库作为独立验证集对预测模型进行了验证,预测结果显示55%的样本对于EZH2/AKT双重抑制剂治疗是敏感的,这一发现与本研究中细胞系的敏感率(60%)相似。

机器学习模型训练和预测评估工作流程示意图

(图源Schade AE, et al., Nature, 2024)

综上,本研究为这种高度侵袭性肿瘤类型确定了一种有希望的治疗策略,并说明了解除管制的表观遗传酶如何将肿瘤与致癌脆弱性隔离开来。这些研究还揭示了发育组织特异性细胞死亡途径如何被用于治疗益处。

拜谱小结

生物标志物的发现和验证对于疾病的早期诊断、治疗监测和预后评估至关重要。机器学习可以从大量的基因组学、蛋白质组学、代谢组学和其他类型的生物数据中挖掘出潜在的生物标志物,并通过算法筛选出与疾病状态最相关的生物分子或特征。使用机器学习分类算法对生物标志物进行分类,区分疾病状态和健康状态,进而通过建立机器学习模型进行疾病的诊断、预测疾病的发展和治疗反应或患者预后。

拜谱生物拜作为国内领先的多组学公司,可提供完善成熟的蛋白组学、代谢组学、转录组学等多组学产品技术服务体系。拜谱生物建立了完善的基于蛋白质组学、代谢组学的机器学习分析流程,可实现随机森林、极端梯度提升(Xgboost)、支持向量机(SVM)、朴素贝叶斯法(Naive Bayes, NB)、K-近邻法(K-Nearest Neighbors,KNN)、LASSO逻辑回归等经典机器学习算法分析,同时可提供ROC、PR、混淆矩阵、生存分析等临床性能分析,为临床大队列和生物标志物研究提供了丰富的选择。

参考文献:

Schade AE, Perurena N, Yang Y, et al. AKT and EZH2 inhibitors kill TNBCs by hijacking mechanisms of involution. Nature. Published online October 9, 2024. doi:10.1038/s41586-024-08031-6B1返回搜狐,查看更多

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,817评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,329评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,354评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,498评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,600评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,829评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,979评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,722评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,189评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,519评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,654评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,940评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,762评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,993评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,382评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,543评论 2 349

推荐阅读更多精彩内容