The Universal BioCode Framework 2.0: A Philosophical-Numerical Integration of Multi-Omic Data, Spatial Technologies, and Clinical Outcomes for Precision Medicine
通用生物代码框架 2.0（Universal BioCode Framework 2.0）整合了来自超过 50 万人的多组学、空间及临床数据，利用一种新颖的哲学-数值系统构建了一个预测模型，该模型在癌症患者分层、生存预测以及指导个性化治疗选择方面，其表现显著优于传统的临床分期。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
长期以来，医学一直面临着一种根本性的脱节。一方面，科学家现在可以读取单个细胞内复杂的分子指令，绘制出维持我们生命的 DNA、RNA 和蛋白质的图谱。另一方面，医生仍然依赖于宽泛的类别来治疗疾病，通常根据肿瘤出现的器官或其大小对患者进行分组。这种差距意味着，即使两个人的身体在对抗疾病的方式完全不同，他们也可能因为相同的癌症诊断而接受相同的治疗。精准医学的目标就是缩小这一差距，从“猜测哪种治疗可能有效”转向“高精度地预测哪种治疗会有效”。然而，当今可用的数据量——从遗传密码到组织的高分辨率图像——已经变得如此庞大且复杂，以至于很难将所有这些信息编织成一幅清晰的整体图景。
一项新的研究提出了一种通过将生物学混沌转化为统一语言来解决这种复杂性的方案。由 Vahid Nezamivand Chegane 领导的研究团队开发了一个名为“通用生物代码框架”（Universal BioCode Framework）的系统。该系统并没有试图将每一项数据都强行塞入一个单一的庞大计算机模型，而是围绕三个特定的数值概念来组织信息。第一个概念将细胞视为一个三部分组成的系统，平衡遗传蓝图、活跃指令和物理蛋白质。第二个概念将癌症视为一个并非静态事件的过程，而是一个包含七个阶段的旅程，从疾病最初的火花一直持续到治疗后的潜在复发。第三个概念则绘制了体内控制细胞生长和生存的十二个主要通信网络。通过将数百万个数据点转化为这三个简单的代码，该团队创造了一种方法，可以在不同的癌症类型和不同的生命阶段之间对患者进行比较。
为了测试这种方法是否有效，研究人员从世界上一些最大的医学数据库中收集了海量信息。他们查看了来自 11,000 多名癌症患者的数据、来自英国生物样本库（UK Biobank）的 50 多万名个体的信息以及数千张详细的肿瘤图像。他们还纳入了研究单个细胞而非仅仅是整个组织的单细胞研究数据。团队将所有这些信息输入到他们的新框架中，该框架根据这三个数值代码为每位患者分配了一个评分。结果是将患者清晰地划分为七个不同的组。这些组并不遵循传统的癌症类型规则；例如，如果一名乳腺癌患者的底层生物学代码相似，她可能会与一名肺癌患者被归入同一组。这表明，疾病的行为方式比它起始于哪个器官更为重要。
研究结果表明，这种看待疾病的新方式在预测预后方面明显优于医生目前使用的方法。当研究人员测试该系统预测患者五年生存率的能力时，它实现了 0.94 的曲线下面积（AUC）得分。相比之下，基于肿瘤大小和扩散程度的标准癌症分期方法的 AUC 得分为 0.78。该系统还被证明在预测患者对特定治疗的反应方面非常有用。它识别出，那些主要由蛋白质变化驱动肿瘤的患者，对免疫疗法的反应率要高得多，成功率为 67%，而对于那些由基因突变驱动肿瘤的患者，成功率仅为 18%。此外，该系统还精准定位了疾病旅程中的一个特定阶段，在该阶段，癌症向身体其他部位扩散的风险会大幅增加，从而为医生何时需要加强治疗提供了明确的信号。
这项研究最引人注目的方面之一是，即使在数据匮乏的情况下也能发挥作用。在现代医学中，寻找足够的患者记录来训练针对罕见病的计算机模型往往非常困难。研究人员测试了该框架，即使每个组只有一个训练样本，它仍然能够做出准确的预测。这种韧性表明，该系统是建立在坚实的生物学原理之上，而非仅仅通过记忆大规模数据集中的模式。研究还证实了科学界日益增长的一种怀疑：即细胞 DNA 中书写的指令并不总是与实际产生的蛋白质相匹配。通过同时观察这两个层面，该框架证实了基质区室中的 RNA-蛋白质脱节现象，如果研究人员只看遗传数据，这一现象将会被忽略。
研究人员承认，该框架仍处于开发阶段，并且需要来自许多不同类型人群的数据以确保其适用于所有人。目前，大部分数据来自北美和欧洲人群，未来的工作需要纳入更多样化的群体以确保公平性。此外，该系统目前需要并非在每家医院都能获取的复杂数据。然而，团队已经创建了一个更小、更简化的测试版本，该版本使用较少的测量指标，但仍能捕捉到核心模式，为实际应用铺平了道路。最终的愿景是将这一框架转化为医生可以用来做出即时决策的工具，引导他们为正确的患者在正确的时间提供正确的治疗。通过将复杂的生物学语言转化为清晰的数值代码，这项工作为通往真正个性化医疗的未来提供了一条新路径，超越了宽泛的类别，去理解每一个个体疾病的独特故事。
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。