新“年鉴”可能帮助临床医生更好地定制癌症治疗方案

诸平

A microscope image of squamous cell carcinoma, a common kind of skin cancer. Credit: Markus Schober and Elaine Fuchs, The Rockefeller University

Fig. 1: MOAlmanac, a clinical interpretation framework.

Fig. 3: Counts of clinically relevant molecular features observed in retrospective cohorts by method and feature type.

据美国麻省理工学院和哈佛大学布罗德研究所（Broad Institute of MIT and Harvard）2021年10月1日提供的消息，研究人员已经开发了一种工具，该工具集成了来自患者和肿瘤的各种分子数据，目的是指导精准医疗（precision medicine）。

精准癌症药物的前景是，肿瘤学家可以根据病人独特的分子特征来定制治疗方案。然而，在实践中，解读构成一个人和他们的癌症的大量数据点是具有挑战性的，而且随着肿瘤学家开始考虑额外的复杂特征，这只会让事情变得更加困难。肿瘤学家可能使用的数据库和分析工具通常专注于基因组中体细胞或非遗传的蛋白质编码区域的个体变化;它们通常不包括其他重要类型的遗传数据，如基因的遗传变异或体细胞融合。科学家和肿瘤学家通常也会孤立地考虑这些特征，而不是把它们放在一起或把它们与肿瘤的特征一起考虑。

现在，丹娜-法伯癌症研究所(Dana-Farber Cancer Institute简称DFCI)和麻省理工学院和哈佛大学布罗德研究所的研究人员创造了一种工具，可能有助于改善对肿瘤分子谱（tumor molecular profiles）的解释（New 'almanac' may help clinicians better tailor cancer treatments）。该工具被称为分子肿瘤学年鉴(Molecular Oncology Almanac)，缩写为MOAlmanac，它整合了来自患者及其肿瘤的不同类型的数据，以识别与疾病预后、对治疗方法的耐药性或敏感性有关的数据。该平台还可以帮助研究人员找到与单个肿瘤分子轮廓相似的癌症细胞系，以及在实验室中可以杀死这些细胞或阻止它们生长的药物。相关研究结果于2021年9月30日已经在《自然癌症》（Nature Cancer）杂志网站发表——Brendan Reardon, Nathanael D. Moore, Nicholas S. Moore, Eric Kofman, Saud H. AlDubayan, Alexander T. M. Cheung, Jake Conway, Haitham Elmarakeby, Alma Imamovic, Sophia C. Kamran, Tanya Keenan, Daniel Keliher, David J. Konieczkowski, David Liu, Kent W. Mouw, Jihye Park, Natalie I. Vokes, Felix Dietlein, Eliezer M. Van Allen. Integrating molecular profiles into clinical frameworks through the Molecular Oncology Almanac to prospectively guide precision oncology. Nature Cancer, Published: 30 September 2021. DOI: 10.1038/s43018-021-00243-3. https://doi.org/10.1038/s43018-021-00243-3.

参与此项研究的除了来自美国丹娜-法伯癌症研究所(DFCI)和麻省理工学院和哈佛大学布罗德研究所的研究人员之外，还有来自美国印第安纳大学医学院（Indiana University School of Medicine）、霍华德·休斯医学研究所（Howard Hughes Medical Institute, USA）、辛辛那提大学（University of Cincinnati）哈佛大学（Harvard University）、加州大学圣地亚哥分校（University of California, San Diego）、布莱根妇女医院（Brigham and Women’s Hospital）、沙特国王健康科学大学（King Saud bin Abdulaziz University for Health Sciences）、美国纽约大学（New York University）、埃及爱资哈尔大学（Al-Azhar University, Cairo, Egypt）、哈佛医学院（Harvard Medical School）、麻省总医院（Massachusetts General Hospital）、塔夫斯大学（Tufts University）、俄亥俄州立大学综合癌症中心（Ohio State University Comprehensive Cancer Center）、安德森癌症中心（MD Anderson Cancer Center）的研究人员。

布兰登·里尔登（Brendan Reardon，第一作者）、埃利泽·范艾伦（Eliezer Van Allen，通讯作者）(布罗德研究所的副教授、DFCI和哈佛医学院的副教授)和同事们开发出了分子肿瘤学年鉴（MOAlmanac），并在不同的患者群体中进行了测试。他们发现，与只分析传统类型数据的算法相比，它为每个患者确定了两种治疗策略，并提供了更多的临床假设。

麻省理工学院和哈佛大学布罗德研究所还提供了相关视频，在视频中, 布兰登·里尔登和埃利泽·范艾伦讨论他们平台的优点和对他们所谓的精度肿瘤学的“民主化”，那就是他们希望有朝一日医生能够用他们的工具,而不管他们的地理位置或类型的数据。

上述介绍，仅供参考。于了解更多信息，敬请注意浏览原文或者相关报道。

Machine learning tool could help oncologists make better treatment decisions

Abstract

Tumor molecular profiling of single gene-variant (‘first-order’) genomic alterations informs potential therapeutic approaches. Interactions between such first-order events and global molecular features (for example, mutational signatures) are increasingly associated with clinical outcomes, but these ‘second-order’ alterations are not yet accounted for in clinical interpretation algorithms and knowledge bases. We introduce the Molecular Oncology Almanac (MOAlmanac), a paired clinical interpretation algorithm and knowledge base to enable integrative interpretation of multimodal genomic data for point-of-care decision making and translational-hypothesis generation. We benchmarked MOAlmanac to a first-order interpretation method across multiple retrospective cohorts and observed an increased number of clinical hypotheses from evaluation of molecular features and profile-to-cell line matchmaking. When applied to a prospective precision oncology trial cohort, MOAlmanac nominated a median of two therapies per patient and identified therapeutic strategies administered in 47% of patients. Overall, we present an open-source computational method for integrative clinical interpretation of individualized molecular profiles.