本网讯 近日，我院谢新平副教授团队在医学人工智能工程顶刊《Artificial Intelligence in Medicine》发表学术论文，提出基于基因调控网络(GRN)先验知识，通过嵌入学习肿瘤细胞的活性表征方法，并成功用于预测个体化抗肿瘤药物疗效。
癌症是当今世界范围内严重威胁人类健康的疾病之一。然而，癌症治疗领域面临的最大挑战之一是患者之间的个体差异，即使接受相同的抗癌药物，不同患者的治疗效果也可能截然不同。这种差异性使得盲目或不当的治疗可能导致不良后果，如药物疗效低下、副作用加重，进而影响患者的生活质量。因此，准确预测药物反应、指导个性化医疗已经成为当前癌症精准医疗实践中的迫切需要。为了更好地把握这一挑战，医学界正迫切需要加强对癌症治疗的个性化调整，以更好地实现患者的长期预后和生存质量的提升。
预测肿瘤细胞对抗肿瘤药物的反应是实现肿瘤精准医疗的关键。目前，大多数现有的方法都忽略了基因之间的调节关系，因此预测效果不理想。该团队通过合成细胞-基因融合网络来模拟细胞生物系统，然后从原始的高维基因表达谱中推断出肿瘤细胞的新的低维活性表示。由此得到的活性表征不仅能反映肿瘤细胞中高表达或低表达的热点基因，还能深入挖掘肿瘤细胞治疗前基因调控活性的信息。最后，在活性表示上建立深度学习模型，用于预测肿瘤细胞的药物疗效。
研究中构建的细胞-基因融合网络符合生物网络特性，如图1所示。通过对网络的度分布拟合幂律分布，幂指数为2.69和2.81在生物网络幂指数范围内，符合生物网络特性。研究通过与其他模型在回归和分类两通道的对比表明了所提出方法的优越性，如图2所示。
图1 融合网络的连接度直方图与对应幂律曲线
图2 不同方法在分类和回归两通道的对比
该研究得到了国家自然科学基金项目及安徽省重点研发项目的资助。（作者：谢新平；审稿：戈慈水）
