肿瘤的治疗发展仍然具有挑战性。虽然在某些情况下取得了重大进展，但进展仍然缓慢而渐进。绝大多数候选疗法都失败了，晚期3期临床试验的失败率仍然很高。这种低效每年都造成500多亿美元的损失，这对大多数医疗体系和经济体来说都是不可持续的。
癌症分子图谱的进步，加上计算能力的加快，为癌症的治疗和疗法的开发从“试错”法转向我们可以在治疗之前预测治疗效果的方法提供了希望。“数字孪生”，癌症患者的计算机虚拟复制体为改善癌症治疗提供了诱人的可能性。准确预测治疗反应和患者预后的好处可以应用于治疗新进展的许多方面，从早期候选药物选择到后期临床试验和常规癌症医护。
在此，作者提出了一种机器学习方法，该方法模拟了适用于多种癌症类型的细胞毒性和小分子疗法的治疗。他们构建了癌症个体患者的“数字孪生”， 并使用贝叶斯统计方法预测癌症治疗的反应，这种方法的灵感来自天体物理学家对暗物质的测量。在数字孪生框架中使用了三种不同的模型：●药物疗效模型：利用临床前和临床数据预测药物疗效，包括IC50（半抑制浓度）值和药物协同作用评分。●治疗反应模型：预测患者对治疗的反应，根据实体瘤疗效评价标准（RECIST）将结果分为有反应或无反应。●总体生存模型：整合临床数据、治疗反应和分子特征，预测特定治疗方案下个体患者的总体生存率。
本研究使用癌症治疗反应门户网站（CTRP）、癌症细胞系百科全书（CCLE）和癌症基因组图谱（TCGA）的数据对模型进行训练和验证。作者通过模拟不同癌症类型和治疗环境（包括单药化疗、联合化疗和辅助/转移环境）的历史临床试验来验证数字孪生方法的预测能力。该模型准确预测了对照组和试验组之间的疗效差异，符合实际临床试验中观察到的对数比值比和统计学显著性。将模型的预测与历史临床试验结果进行比较，以评估其准确性。该模型在四项历史2期和3期临床研究中正确预测了治疗效果，证明了数字孪生预测的准确性。
总之，该项研究是一项综合性研究，将先进的计算方法与详细的分子数据相结合，创建了癌症治疗反应的预测模型，这可显著改善癌症治疗和患者预后。它为癌症的个性化医疗和更有效的药物开发提供了广阔的应用前景。
发布时间：2024-07-17 
浏览量：
