PerturbRx: Learning Treatment-Conditioned Latent Transitions for Patient Drug Response Prediction
PerturbRx 是一个新颖的框架，它通过学习并从单细胞数据向治疗前患者图谱转移治疗调节的潜在分子转变，从而预测患者层面的癌症药物反应，有效地克服了数据稀缺性和肿瘤异质性，实现了卓越的预测性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
预测特定癌症患者对特定药物的反应是现代医学中最困难的挑战之一。肿瘤并非均匀的组织块，而是复杂的、不断变化的细胞生态系统，因人而异。由于这种生物多样性，一种对某个人产生奇效的治疗方法可能会在另一个人身上完全失效。目前，医生通常依赖于广泛的统计平均值或在培养皿中进行的临床前测试，但这些方法难以捕捉患者肿瘤独特的分子现实。核心问题在于，我们很少拥有数据来观察患者开始服用药物后其体内发生了什么。我们可以看到治疗前的肿瘤，也可以看到之后的结局，但中间的关键环节——即药物在患者细胞内触发的实际分子变化——仍然是不可见的。
为了弥补这一差距，研究人员转向了海量的单细胞数据库，这些数据库就像是一张详细的地图，展示了细胞在受控实验室环境下对各种化学干预的反应。这些地图展示了细胞群在暴露于不同药物和剂量时，其内部状态是如何发生偏移的。然而，培养皿中的单个细胞与人体内的肿瘤并不相同。这项研究中描述的新方法，名为 PerturbRx，试图利用这些实验室地图来预测现实世界的结局，而无需等待患者接受治疗。其目标是学习在实验室中药物如何将细胞从健康状态推向治疗状态的“规则”，然后将这些规则应用于患者的治疗前特征谱，以预测药物是否有效。
研究人员开发了一个两步走的系统来解决这个难题。首先，他们在一个包含超过一亿个单细胞图谱的庞大数据集上训练了一个计算机模型，这些数据来自实验室实验。在这些实验中，科学家用不同强度的各种药物处理细胞，但他们并没有追踪同一个个体细胞在治疗前后的变化。相反，他们比较了一组未处理细胞的平均状态与一组处理后细胞的平均状态。该模型学习了预测药物引起的特定偏移（或转变），即药物如何改变细胞的内部化学性质。它不仅学习了药物的外观，还学习了基于细胞起始条件和药物剂量的药物如何改变细胞的行为。
一旦模型学习了这些细胞变化的规则，研究人员就冻结了这些知识，并将其应用于人类患者。他们提取了癌症患者治疗前的遗传图谱，并询问模型：如果给予这些特定患者某种特定药物，会发生什么。该模型不需要看到治疗后的患者；它只需计算出该药物会在该特定患者体内引起的预测分子偏移。随后，这种预测的偏移被与患者原始数据及药物的化学特征相结合，以预测治疗结局。该系统本质上是在患者独特的生物背景下模拟药物的作用，使用的是它从数百万个实验室细胞中习得的模式。
团队在涉及数百名患者和数十种药物的三个不同数据集上测试了这种方法。在每种情况下，通过添加预测的药物诱导偏移，都提高了预测的准确性。该系统的表现优于仅依赖患者肿瘤静态快照或简单药物化学比较的现有方法。例如，在一个大型患者记录数据集中，该新方法比任何其他测试方法都能更准确地识别治疗反应。研究人员发现，预测的变化并非随机噪声；它们携带了关于患者是否会对疗法产生反应的特定信息。事实上，模型学到的是，预测的分子变化的性质和规模，比仅仅猜测治疗后肿瘤的样子更为重要。
然而，研究也表明，这种方法并非万能良药。使用这些预测偏移所带来的益处，因特定药物和癌症类型的不同而存在显著差异。对于某些治疗方案，模型对细胞变化的预测极大地提升了准确性；而对于另一些方案，这种提升微乎微乎其几，甚至不存在。研究人员发现，该方法的成功并不完全取决于药物与实验室训练数据中使用的药物在化学上的相似程度。即使是那些在训练集中没有完全匹配项的药物，只要模型能够学习到该类药物影响细胞的一般模式，也能从该系统中获益。这表明，该系统学习的是一种更深层的生物逻辑，而非仅仅记忆化学结构。
研究结论认为，学习治疗如何改变分子状态是预测患者结局的一种强大工具，即使我们无法直接测量患者体内的这些变化。通过在海量实验室数据上进行训练，并将这些知识转移到人类患者身上，研究人员创建了一个能够在药物施用之前预判其效果的框架。尽管该方法仍面临挑战，特别是针对那些响应者极少或数据有限的药物，但它为实现个性化癌症治疗提供了一种充满前景的新途径。这项工作表明，药物预测的未来不仅在于观察患者是谁以及药物是什么，更在于理解药物带给患者细胞的动态旅程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。