研究人員創(chuàng)建算法來幫助預測與腫瘤變異相關的癌癥風險

范德比爾特大學的研究人員開發(fā)了一種主動機器學習方法來預測未知意義的腫瘤變體或 VUS 對化療敏感性的影響。VUS，即對癌癥風險具有未知影響的突變 DNA 片段，正在不斷被發(fā)現(xiàn)。越來越多的罕見 VUS 使得科學家們必須對其進行分析并確定它們帶來的癌癥風險類型。

傳統(tǒng)的預測方法對罕見的 VUS 顯示出有限的能力和準確性。即使是機器學習，一種利用數(shù)據(jù)“學習”并提高性能的人工智能工具，在對某些 VUS 進行分類時也不盡如人意。由共同第一作者和博士后研究員 Alexandra Blee 和 Bian Li 領導的校長醫(yī)學主席兼生物化學和化學教授 Walter Chazin 的實驗室最近的工作采用了主動機器學習技術。

與機器學習一樣，主動機器學習依賴于使用現(xiàn)有數(shù)據(jù)訓練算法，并在兩輪訓練之間為其提供新信息。Chazin 和他的實驗室確定了預測最不確定的 VUS，對這些 VUS 進行了生化實驗，并將結果數(shù)據(jù)整合到后續(xù)的算法訓練中。這使該模型能夠不斷改進其 VUS 分類。

研究人員在四種已知與癌癥有關的蛋白質上驗證了他們的方法。借助經(jīng)過驗證的算法，他們分析了參與稱為 NER 的 DNA 修復途徑的未表征 VUS(DNA 修復途徑中的突變通常與癌癥相關)，并證明與傳統(tǒng)方法相比，主動機器學習可以更好地預測變異對癌癥風險的影響。機器學習。

盡管在腫瘤基因組中發(fā)現(xiàn)的罕見 VUS 不太可能是這些腫瘤最初發(fā)展的主要原因，但它們?nèi)钥赡苡绊懩[瘤生長和對治療的反應。表征 VUS 有助于最大限度地提高臨床護理，向 VUS 解釋工具包添加主動學習框架可以提高臨床醫(yī)生為每位患者使用精準醫(yī)療的能力。

這項工作發(fā)表在Cancer Research上，為研究表達某些參與 NER 的 VUS 的細胞的功能障礙和化療反應的機制奠定了基礎。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！