普丽娅·黑斯，Hays Documentation Specialists, LLC首席执行官兼科学作家，探讨通过人工智能和个性化医学发现生物标志物
生物标志物可广义定义为对正常、病理或药理学生物反应或治疗策略的客观测量指标。人工智能（AI）可被视为使计算机能够在无需人类行为或干预的情况下复制人类行为以做出决策和解决复杂任务的能力。生物标志物发现与AI交汇的领域在于个性化或精准医学。
个性化精准医学的创新使得多种数据流成为可能，包括-omics（基因组学、蛋白质组学、转录组学、表观基因组学、代谢组学）；电子健康记录（包含结构化数据，如实验室检测结果、人口统计和生活方式/环境数据，或非结构化数据，如临床笔记文本，作为患者数据的记录者）；以及数字病理学产生的全切片成像；这些数据流为人工智能带来了新的应用。
人工智能驱动的生物标志物发现、癌症诊断和药物开发
人工智能驱动的生物标志物发现、癌症诊断和药物开发如今是蓬勃发展的领域，通过大数据分析推动个性化医学，关键是识别与生存率、治疗方案和其他相关患者预后方面相关的生物标志物。
AI可以通过利用其分析包括基因组、转录组、蛋白质组和成像数据在内的大型复杂数据集的能力，应用于精准医学的生物标志物发现。通过先进的机器学习和深度学习（DL）算法，AI可以通过揭示传统假设驱动或统计方法可能遗漏的模式和相关性来识别新的生物标志物。这使得诊断、预后和治疗反应预测更加准确，根据患者独特的分子和临床特征量身定制治疗方案。
然而，范式转变伴随着基因组改变的发现，这些改变使生物标志物在临床上具有可操作性。生物标志物可以作为疾病测量指标，用于诊断疾病，提供疾病预后，并预测治疗的成功率。容纳许多这些基因组改变的数据门户现在可以使用AI驱动的分析工具。AI在揭示生物标志物方面的潜力正在被广泛探索。
首先，它标志着对传统假设驱动方法解释数据并得出发现的明显创新。它也是对统计方法的明显改进，比统计方法更强大。AI可以发现高维数据集中经常被统计和传统分析所忽略的模式。当辅以机器学习算法时，AI具有发现数据集中复杂相关性的能力，以及关于患者状态、血液分析物和其他可测试和可评估因素的知识，这些可以转化为用于诊断、预后和预测的生物标志物。
AI的一个显著能力是以数据驱动的方式分析成像和分子数据的组合。成像数据包括特定的病理组学（pathnomics）和放射组学（radiomics），以及来自全切片成像、CT扫描和MRI的成像输出。基于分子的数据是-omics数据，包括基因组学、表观基因组学、转录组学和蛋白质组学。AI可以分析这两种数据流的组合用于诊断（检测早期和难以检测的肿瘤）和预后。PathAI、Tempus和IBM Watson for Oncology就是例子。(1)
生物标志物发现的其他多模态数据源包括作为基因组数据门户的生物样本库。此外，AI作为工具的使用方式取决于正在分析的生物标志物类型：诊断性、预后性或预测性。AI输出取决于所使用的算法类型，无论是机器学习（例如回归或随机森林）还是涉及神经网络的DL。基于组学的生物标志物（如ProteinScores、EpiSign、InflammAge和Nightingale基于血浆的生物标志物）使用LASSO等机器学习算法，而病理组学和放射组学由于数据复杂性而使用DL方法。
一个例子是Brainomix，它使用DL算法分析缺血性中风患者的CT扫描（可以检测临床专家可能忽略的细微变化）。DL还被广泛用于癌症中基于组织的数字病理学生物标志物，这些生物标志物可能作为微卫星不稳定性（MSI）的替代品。这些数据集需要训练和验证，但由于数据缺乏多样性而受到阻碍，需要更广泛的人群范围来训练不同的模型。(2)
在肿瘤学中，基因组学和转录组学导致了肿瘤中预测性生物标志物的发现，人工智能驱动的工具特别有效。免疫系统与基因组改变的相互作用被称为免疫基因组学（immunogenomics），AI可能通过分析免疫系统的基因组和转录组，在识别包含免疫系统和疾病状态信息的复杂数据中的模式、相关性和关联方面发挥核心作用。
在这里，下一代测序成为了解肿瘤微环境（在许多情况下具有免疫抑制性）的有用辅助工具。一个是识别RNA转录物的生物信息学算法CIBERSORT；另一个是ESTIMATE，它通过表达数据估计肿瘤中的基质和免疫细胞；两者都广泛用于表征肿瘤微环境和发现生物标志物。两者都使用AI驱动技术。(3)
AI驱动方法面临的挑战
尽管这些进展引人注目，但由于开发和临床试验的高成本，它们在很大程度上仍未转化为临床应用，并且采用存在延迟，使得AI驱动的生物标志物发现的实际影响仍有待明确。对高质量数据的需求、数据隐私以及数据集多样性也是关注点。
AI驱动方法的复杂性也将给监管机构带来挑战，并可能导致AI工具和技术开发的瓶颈。然而，使能生物标志物发现以实现精准和个性化医学目标的AI工具具有巨大潜力，可能会不可避免地改变科学、医学和医疗保健。
参考文献
- Alum EU. AI驱动的生物标志物发现：增强癌症诊断和预后的精确性。Discov Oncol. 2025;16(1):313.
- Javaid H, Petrescu CC, Schmunk LJ, Monahan JM, O'Reilly P, Garg M, et al. 人工智能对生物标志物发现的影响。Emerg Top Life Sci. 2025;8(2):89–105.
- Chang L, Liu J, Zhu J, Guo S, Wang Y, Zhou Z, et al. 推进精准医学：人工智能在免疫基因组学、放射组学和病理组学中用于生物标志物发现和免疫治疗优化的变革性作用。Cancer Biol Med. 2025;22(1):33–47.
- Alsaedi S, Ogasawara M, Alarawi M, Gao X, Gojobori T. 人工智能驱动的精准医学：利用遗传风险因素优化
【全文结束】
