麦吉尔大学研究人员开发了一种人工智能工具，能够识别出最可能导致侵袭性癌症的小细胞群。这种名为SIDISH的工具为科学家设计靶向疗法提供了更清晰的路径，它展示了肿瘤内部哪些细胞与不良患者预后最密切相关，而不是将所有癌细胞视为行为相同来处理。
在《自然通讯》发表的一项临床前研究中，SIDISH利用从患者身上采集并在实验室分析的肿瘤样本，成功识别了胰腺癌、乳腺癌和肺癌中的"高风险"细胞。
工具的工作原理
SIDISH的关键创新在于它将单个细胞内部发生的情况与患者预后联系起来，这是癌症研究中长期存在的挑战。
"单细胞数据非常详细，但它通常只来自少数患者，很少包括这些患者的实际病情进展。另一方面，患者数据通常在整体水平上，包括生存信息，但平均了来自数百万细胞的信号，掩盖了那些驱动疾病的稀有但危险的细胞，"第一作者、麦吉尔大学医学院博士生Yasmin Jolasun说道。
"现有的计算工具在有意义地整合这两种数据方面一直存在困难。"
"我们的工具在两个领域之间建立了桥梁。它可以识别出哪些细胞与疾病快速进展和患者生存预后最密切相关，"Jolasun说道。
"虽然SIDISH最初在癌症中进行了测试，但同样的方法也可以应用于其他细胞间差异起主要作用的复杂疾病，"她补充道。
SIDISH代表"用于识别单细胞高风险群体的半监督迭代深度学习"。
实验室测试前预测药物靶点
除了识别问题外，SIDISH还可以模拟特定基因开启或关闭时高风险细胞的反应，帮助预测哪些基因可能是有前景的药物靶点。
"这可以缓解药物开发中的一个主要瓶颈，在药物开发中，找到正确的靶点通常需要多年的试错测试，"高级作者、麦吉尔大学医学院助理教授兼麦吉尔大学健康中心研究所初级科学家Jun Ding说道。
例如，他说，可以通过单细胞测序分析患者的肿瘤，SIDISH会识别出驱动该肿瘤的细胞，并模拟它们对不同药物的反应，生成一份最可能有效的治疗方案简短列表。
Ding表示："短期内，SIDISH可以帮助我们利用公共数据集重新利用现有的FDA批准药物。从长远来看，它有潜力从根本上改变新药的发现方式。"
这项工作仍在开发中，尚未用于临床护理。研究团队目前正在将SIDISH应用于其他疾病，并与行业合作伙伴合作进一步完善该方法。
出版详情：
Yasmin Jolasun等，SIDISH整合单细胞和批量转录组学以识别高风险细胞并通过计算机模拟扰动指导精准治疗，《自然通讯》(2025)。DOI: 10.1038/s41467-025-66162-4
期刊信息：
《自然通讯》
【全文结束】
