新的机器学习研究确定了数百个具有生物标志物的潜在癌症药物靶点

威康桑格研究所的研究人员利用机器学习的力量，发现了 370 种以前未发现的针对各种类型癌症（包括乳腺癌、宫颈癌和胶质母细胞瘤）的药物靶点。这些发现于 2024 年 1 月 11 日发表在《癌症细胞》杂志上，代表了在精准医学追求中的重大飞跃，并可能加速个性化癌症治疗的发展。

癌症研究的突破

在一项开创性的研究中，威康桑格研究所的科学家揭示了一个包含 370 种潜在药物靶点的宝库，涵盖 27 种不同类型的癌症。这项开创性研究不仅为新精准药物的开发带来了希望，还加强了威康桑格研究所和 Broad 研究所之间的合作倡议——癌症依赖图谱，该倡议致力于指导个性化癌症治疗策略。

该研究的共同负责人 Mathew Garnett 博士表示，这项工作的意义重大，他说：“这项工作利用了最新的基因组学和计算生物学知识，以了解如何最好地靶向癌细胞。这将帮助药物开发商将精力集中在最高价值的靶点上，从而更快地将新药带给患者。”

利用基因组学和机器学习

这份广泛的潜在靶点列表源于对来自癌症依赖图谱的数据分析。该图谱是通过对 930 种不同的人类癌细胞系中的近 18,000 个基因同时进行 CRISPR-Cas9 改变而创建的。利用机器学习的能力，研究人员仔细审查了这个庞大的数据集，以识别对癌细胞生存至关重要的基因、蛋白质和通路。

生物标志物：精准医学的关键

至关重要的是，科学家将这些新发现的药物靶点与临床生物标志物联系起来。生物标志物在确定哪些患者可能从针对特定基因靶点的治疗中受益方面发挥着关键作用。根据研究人员的发现，这些生物标志物的存在显著提高了药物在临床开发期间获得 FDA 批准的概率，使其增加了 2 到 4 倍。

值得注意的是，几乎所有确定的药物靶点都与生物标志物相关联，表明将这些发现转化为有效治疗具有巨大的潜力。这一发现具有深远的影响，因为它表明大约 30% 的所有癌症患者可能从针对这些已识别生物标志物的治疗中受益。与之前估计的 14% 被认为适合针对癌症基因组治疗的患者的比例相比，这是一个相当大的增长。

然而，需要注意的是，虽然这些生物标志物具有巨大的希望，但开发针对所有这些靶点的药物可能并不可行。针对这些基因标记的可行性因不同类型的癌症而异，其中一些根据这些发现在新靶点上几乎没有或没有变化。因此，研究人员强调继续需要创新方法来扩大可供癌症患者使用的药物库。

一瞥癌症治疗的未来

研究结果还强调了多组学生物标志物测试的潜力。这些测试同时检查各种水平的生物信息，如基因和蛋白质表达，可能会成为扩大癌症患者治疗靶点池的变革性因素。通过利用多组学数据的力量，医疗保健专业人员可能更好地量身定制针对个体患者独特分子特征的治疗方案，从而开启精准医学的新时代。

威康桑格研究所的开创性研究，由机器学习和基因组学驱动，照亮了抗击癌症的前进道路。随着在各种癌症类型中确定了 370 种潜在药物靶点，以及相关的生物标志物，个性化癌症治疗的前景从未如此充满希望。虽然挑战依然存在，但尖端科学与计算分析的交汇为全世界癌症患者铺平了更光明的未来。