在一项新的研究中，来自美国布罗德研究所和丹娜-法伯癌症研究所的研究人员开发出一种新的模型，可以区分致命的前列腺癌和那些不太可能导致症状或死亡的前列腺癌的基因组特征。它还可以帮助临床医生预测前列腺癌患者的肿瘤是否会扩散到身体的其他部位，或者随着时间的推移变得对治疗变得更具抵抗性。这种称为P-NET的模型还能识别可能与疾病进展有关的分子特征、基因和生物通路。P-NET使用基于机器学习的算法来分析肿瘤的已知分子特征，并指出肿瘤是否已经或将可能扩散到身体的不同部位---这是一种侵袭性和潜在致命性癌症的标志。该模型还可能帮助癌症科学家们更多地了解抵抗性疾病的生物学特性，而且它可能可以推广到其他癌症。相关研究结果于2021年9月22日在线发表在Nature期刊上，论文标题为“Biologically informed deep neural network for prostate cancer discovery”。
论文通讯作者、丹娜-法伯癌症研究所副教授Eliezer (Eli) Van Allen说，P-NET提供的不仅仅是对患者的预后判断。他说，“我们不仅提高了预测癌症是否会转移的能力，以及哪些基因可能与这种状态有关，而且作为癌症研究人员，我们可以利用这种模型的可解释性来了解这些疾病状态的生物学特性。”
Van Allen补充说，随着他和他的团队将其他种类的数据---包括更多的遗传和成像数据---整合到这种模型中，P-NET将继续得到改善。他说，“对于我们如何能够实现癌症生物学和机器学习之间的融合，这只是一个开始。这种融合是我们相信我们能够真正为癌症患者提供更多发现的地方。”（生物谷 Bioon.com）
参考资料：
Haitham A. Elmarakeby et al. Biologically informed deep neural network for prostate cancer classification and discovery. Nature, 2021, doi:10.1038/s41586-021-03922-4.
