前段时间让国际舆论十分关注的一个冰桶挑战赛活动，让许多人了解到一个罕见疾病肌萎缩侧索硬化。最近采用众包的办法解决了一个长期困惑这一研究领域的难题，使这一疾病再次进入人们视线。

冰桶挑战赛，全称为“ALS冰桶挑战赛”活动，旨在是让更多人知道被称为渐冻人（肌萎缩侧索硬化）的罕见疾病，同时也达到募款帮助治疗的目的。

利用过去公布的临床研究数据，两个小组最近发明了一种能预测肌萎缩侧索硬化(ALS)患者预后的理想办法。最新预测方法完全由非ALS专业学者设计的一种算法，通过这种算法能获得和专业医生判断一致的判断，也能作为判断药物效果的评价方法。而且这一成果也获得了ALS 预测奖。该奖项是由非营利组织 Prize4Life和针对逆向工程的评估与方法交流DREAM联合设立。DREAM是计算生物学项目，发起者包括IBM、哥伦比亚大学和纽约科学院。ALS 预测奖是2012年宣布设立的一个总金额5万美元的奖励，目的是吸引更多非专业领域的学者加入对付这一恶劣疾病的行列。

Liuxia Wang是华盛顿一家市场公司Sentrana的数据分析员，过去一直是通过大数据，如消费者喜好信息进行分析，帮助一些公司客户制定商业决策。但她过去对生命科学并不十分了解，后来通过一个客户查询了解了一些知识。她的一个客户公司经理告诉她自己的儿子被诊断为肌萎缩侧索硬化，并问她们公司是否能对患者信息进行分析。Wang进行查询后发现有ALS预测奖，随后她学习了肌萎缩侧索硬化的相关知识。

我国通常将肌萎缩侧索硬化和运动神经元病混用。英国叫运动神经元病，法国叫夏科病，而美国也称卢伽雷氏病。它是上运动神经元和下运动神经元损伤之后，导致包括球部、四肢、躯干、胸部腹部的肌肉逐渐无力和萎缩。大约50%患者确诊3年内死亡，但是该疾病进展速度有很大区别，大约10%的患者能存活20年甚至更长时间。这不仅给判断患者预后带来很大困难，也给判断新药效果带来难度。为分析某一药物是否有效，临床研究必须对比治疗组和非治疗对照组的后果是否有差别。肌萎缩侧索硬化这种变化大的疾病让临床研究难度加大，需要比其他疾病更多的患者参加实验。

为获得更理想的预测工具，Prize4Life发起这一众包竞争研究项目。首先提供过去已经完成的临床研究数据，这些研究数据如PRO-ACT可让学者免费使用，数据库中包括17项临床研究8000多名患者的年龄、用药历史、症状体征和实验室检查等数据。作为规则，选手们利用这一套数据中对患者连续3月的采集的数据，设计出一种预测患者9月后状况的算法，并和根据患者运动和自我照顾能力进行标准功能分析数据进行对比。

Prize4Life科学主任Neta Zach说，这一众包活动收到37个方案，大多数来自对肌萎缩侧索硬化一无所知的非专业人员。她11月2日在《自然生物技术》发表了这一研究。和Sentrana小组一起获得奖励的另一个小组来自斯坦福大学，是一个律师和统计学家的组合。两个冠军小组获得2万美元奖金，亚军获得1万美元。 

如果将两个冠军小组的预测方法结合起来，预测的准确度可达到来自12个肌萎缩侧索硬化临床专家同等水平。论文作者估计采用这种预测方法可以用于新药研究效果的评价，并能减少临床研究需要的样本量至少20%，这意味着能使一项大型三期临床研究费用减少600万美元。最新算法不仅包括了过去常用的各种临床数据，也发现了一些新的预后相关因子，如高血压和高心率也是患者快速进展的指标。

哥伦比亚大学神经病学家Hiroshi Mitsumoto认为这简直不可思议，新的预测因子将给研究人员提供关于该疾病机制的更多线索。如果不掌握大量患者信息，这种线索几乎不可能被识别。他指出，像肌萎缩侧索硬化这种罕见病，患者数量往往比较少，减少临床研究的患者数量意义重大。

旧金山加州太平洋医学中心生物统计学家Dan Moore说，这种策略已经被用于其他疾病，众包方法解决了一些复杂统计学难题，但他认为这种方法作为群体预测和药物效果分析很有价值，但对具体患者的预测准确度并不一定非常准确，因此用于判断具体患者预后时要慎重。

Wang说，许多药物开发公司对这一新方法表现出兴趣，Sentrana公司也专门组建一个新科学数据公司Origent延续这一项目。现在可以免费获取原算法，Origent公司希望该算法能真正用于特定的临床试验设计，或用来协助医生为患者进行个性化的预测。

Prize4Life正筹划另外一个众包项目，这次项目的目的将是，寻找利用疾病特征，如与认知功能相关的遗传信息对患者进行分类的方法。新的由一家众包公司资助的项目ALS分类奖，计划于2015年春季启动。

http://www.nature.com/nbt/journal/vaop/ncurrent/full/nbt.3051.html#supplementary-information