对于被诊断患有神经母细胞瘤（最常见的婴儿癌症，由早期神经细胞失控生长引起）的儿童来说，治疗之路并不简单。某些类型的神经母细胞瘤可以自行消退，而其他类型则需要积极干预。研究人员曾尝试基于单基因突变将治疗方法与患者匹配，但收效甚微。这是因为患者的治疗效果取决于其整个分子背景，其中包含数百万甚至数十亿个特征，例如来自组织和血液的DNA和RNA。
"这远不止一个基因的问题——患者细胞中发生的一切都很重要。"
奥莉·奥尔特（Orly Alter），犹他大学科学计算与成像研究所生物医学工程副教授
目前的人工智能和机器学习（AI/ML）方法需要海量的训练数据，特别是需要比基因特征多得多的患者样本。这使得它们不太适合预测大多数临床试验中的患者结果，因为这些试验通常只招募20至100名参与者。例如，最近一个关于新冠病毒3万个核苷酸基因组的大型语言模型需要约1.1亿个样本。将此比例转换到人类30亿核苷酸的基因组，传统的AI方法将需要33万亿名患者。
通过运用量子力学的数学原理，奥尔特及其合作者开发了一种新型AI/ML技术，可以改善治疗选择和提高药物成功率。他们的研究成果发表在《应用物理快报：量子》（APL Quantum）期刊上。
数十亿分子特征
"我们的量子方法使我们能够从数据的每一层中找到相关信息，例如不仅从患者的肿瘤中，还从血液中获取信息，"奥尔特表示。"即使患者数量很少，我们仍然可以整合所有信息——他们数百万至数十亿的分子特征——并从中找到规律。因此，我们可以理解疾病机制并预测药物靶点，以改善患者的治疗效果。我们还通过实验验证了AI/ML对靶点和治疗效果的预测，这在生物技术领域被广泛认为是'圣杯'。"
该技术采用了一套名为"多张量比较谱分解"的算法，奥尔特基于量子力学的纠缠和叠加概念构建了这些算法。就像棱镜将白光分解成单个颜色一样，这种方法将患者的多层分子数据（如肿瘤和血液基因组以及肿瘤RNA（或驱动癌症生长的RNA信息））分解为可预测健康结果的关联模式。
奥尔特及其团队通过对神经母细胞瘤病例的开源数据进行分析，验证了他们的技术。这些算法发现了两个新的预测因子，可以预测患者对治疗的预期寿命，而且这些预测因子在肿瘤和血液DNA以及肿瘤RNA方面始终优于标准生物标志物。这些发现在不同时期、不同医院治疗的儿童群体中都得到了验证，这意味着该方法可以应用于更广泛的人群，为患者护理和药物开发提供更清晰的路线图。
开发更精准的治疗方法
"神经网络模型是'黑盒子'，但我们的预测因子是可解释的；它们指向疾病机制，并建议靶向哪些基因来提高肿瘤对治疗的敏感性，"奥尔特表示。她的团队还在临床试验和临床前研究中，利用CRISPR-Cas9基因编辑工具，实验验证了对成人胶质母细胞瘤患者结果和药物靶点的预测。
作为计算医学专家，奥尔特在犹他大学人类遗传学系担任兼职职务，同时也是亨茨曼癌症研究所癌症控制与人口科学研究项目的成员。
她创立的大学衍生公司Prism AI Therapeutics, Inc.利用这些算法和预测因子，帮助生物技术和制药公司更好地开发药物，方法是确定哪些患者将从临床试验中获益最多，以及应靶向哪些基因以进一步改善治疗效果。
展望未来，奥尔特希望随着团队继续这项工作，他们能够将其应用于个体患者。"这就是终极精准医学，"她说。"你面对的是单个个体。你能仅从这个人的数据中得出适合他们的治疗方法吗？我认为我们可以实现这一点。"
奥尔特还希望将技术应用于其他挑战。"这些算法完全与数据无关，也可以在医学以外找到无数应用，"她说，并指出可持续能源是其中一个可能性。
【全文结束】