编辑 | 萝卜皮
基因突变给生命带来了多方面的影响，有时候也许能使生物更加适应生存环境，但大多数情况会对生物带来灾难性后果。癌症等疾病的发病起因与基因突变有着千丝万缕的联系。
一种机器学习工具可评估肿瘤基因
每个肿瘤患者体内都会积累许多突变，但并非所有突变都与癌症的发展有关。来自巴塞罗那 IRB 的 ICREA 的研究团队，开发了一种基于机器学习方法的工具；该工具可以评估给定类型肿瘤基因中，所有可能对癌症发展有潜在影响的突变。
该研究以「In silico saturation mutagenesis of cancer genes」为题，于 年7 月 28 日发布在《Nature》杂志。
论文链接：/articles/s41586-021-03771-1
尽管存在良好的癌症基因目录，但在那些不同类型的肿瘤中识别驱动肿瘤发生的基因的特定突变，仍然是一个未解决的问题。因此，在跨肿瘤的癌症基因中鉴定的大多数突变，对肿瘤发生具有未知的潜在意义。
为了解决这个问题，研究人员认为可以利用在数千个肿瘤中观察到的突变——测试它们在个体和组织中致癌潜力的自然实验。利用这些突变信息，可以计算描述每个癌症基因和组织的肿瘤发生机制的特征，并用于构建相关的机器学习模型。
在这里，研究人员通过构建和验证 185 个基因组织特异性机器学习模型，来证明该解决方案的可行性；这些模型在识别突变方面的表现优于实验性饱和诱变。
模型以及模型对每个突变的评估被设计为可解释的，从而避免了黑盒预测。使用这些模型，研究人员概述了癌症基因中潜在驱动突变的图谱，并证明了突变概率在驱动突变景观中的作用。这些图谱将支持对患者新测序肿瘤的解释，以及对跨组织癌症基因的肿瘤发生机制的研究。
「我们的前提是我们只能观察到一些突变，因为具有这种突变的肿瘤细胞指导肿瘤的发展，我们质疑是什么将这些突变与其他可能的突变区分开来，」这项研究的共同第一作者 Ferran Muios 博士说，「手动进行这种分析会非常费力，但有一些计算策略可以使其系统和有效地组织起来。」
机器学习算法发现基因组非独特部分的癌性突变
然而，人类基因组是很复杂的。作为人类进化史的一部分，基因组的各个部分都经历了重排，在某些情况下还可能发生重复。当试图寻找基因组中的突变时，这种重复便会带来新问题。当前的扫描方法会剔除被识别为不明确的短序列，导致彼此非常相似的基因组片段不会被记录——这意味着许多突变可能会被遗漏。
来自弗朗西斯·克里克研究所的一组研究人员开发了一种方法，该方法使用机器学习算法来发现基因组非独特部分的癌性突变。
该研究以「A pan-cancer landscape of somatic mutations in non-unique regions of the human genome」为题，于 年 7 月 19 日发布在《Nature Biotechnology》杂志。
论文链接：/articles/s41587-021-00971-y
人类基因组的很大一部分显示出与其他基因组序列的高度序列相似性，这对从「短读长」测序数据中识别体细胞突变提出了挑战。研究人员注释了全基因组泛癌分析 (PCAWG) 队列中 2,658 种癌症的基因组变异，并链接到人类基因组中的相似位点。
该团队训练机器学习模型，使用分布在多个基因组位点上的信号，调用非唯一区域中的体细胞事件，并根据独立数据集中的链接读取测序验证数据。使用这种方法，研究人员在大约 1,700 个编码序列和数千个调控元件中发现了以前隐藏的突变，包括已知的癌症基因、免疫球蛋白和高度突变的基因家族。研究结果显示，该算法的错误发现率约为 7%，验证率超过 80%。
研究人员指出，那些涉及编码序列的突变会对蛋白质序列产生影响，其中一些与癌症类型有关。他们还发现了导致蛋白质变化的突变实例，这些突变也与特定种类的癌症有关。例如，他们在 KMT2C 和 PIK3CA 基因中发现了一个反复发生的突变。他们还发现了与乳腺癌有关的突变，还有涉及调节区域的突变，包括免疫球蛋白家族中的一些突变。
在突变负荷和替代谱方面，非独特区域的突变与独特区域的突变一致。该分析提供了，跨多种人类癌症在全基因组范围内非独特区域的突变事件的系统总结。
使用人工智能设计的纳米粒子治疗肿瘤
培养和治疗虚拟肿瘤的能力是开发癌症新疗法的重要一步。重要的是，科学家可以使用虚拟肿瘤来优化基于纳米颗粒的药物的设计，然后再在实验室或患者中进行测试。
布里斯托尔大学的研究人员开发了一个用于癌症治疗的纳米载体自动发现的进化计算平台——EVONANO平台；该平台可以种植虚拟肿瘤，同时利用人工智能自动优化设计纳米粒子，用于治疗肿瘤。
该研究以「Evolutionary computational platform for the automatic discovery of nanocarriers for cancer treatment」为题，于 年 9 月 21 日发布在《npj Computational Materials 》。
论文链接：/articles/s41524-021-00614-5
研究人员展示了 EVONANO 平台，用于纳米药物的发展，并应用于抗癌治疗。该工作旨在减少开发纳米颗粒设计所需的时间和成本。EVONANO 包括一个模拟器，用于生长肿瘤、提取代表性场景，并通过这些场景模拟纳米粒子传输，以预测纳米粒子分布。
EVONANO 平台概述。
纳米粒子设计使用机器学习进行优化，以有效地找到最有效的抗癌治疗方法。研究人员通过两个例子展示了 EVONANO，这些例子优化了纳米粒子的特性和治疗，以在一系列肿瘤环境中选择性地杀死癌细胞。EVONANO 平台展示了如何将捕获肿瘤和组织尺度动力学的计算机模型与机器学习相结合以优化纳米医学。
相关报道：/news-releases/923491
/news/-07-machine-fuels-personalized-cancer-medicine.html
/news/-07-machine-learning-mutations-similar-genome-sequences.html
/news/-09-virtual-tumors-ai-designed-nanoparticles.html
