首页 > 文章详情

【35under35】李冉医生：通过大数据分析协助临床转化研究

2023年08月22日

作者：李冉

医院：江苏省人民医院

李冉

住院医师

江苏省人民医院血液科
上海交通大学医学院内科学博士；
主要从事白血病的临床和基础研究；
第一作者（含共同）在Biomarker research, Frontiers of medicine, Cell death & disease等国际知名学术期刊发表SCI文章19篇，累计影响因子106分；
参与多项国家自然科学基金面上项目和国家重点研发计划；荣获上海市优秀毕业生称号。

从临床中发现问题，通过一系列科学手段解决问题，最终服务于临床，这是我们对临床转化医学的美好愿景。如今随着科技的发展，临床数据爆发性增长，临床转化研究面临了新的挑战。

癌症是一个复杂的过程，它的发展涉及患者体内的多种过程。因此，癌症研究领域产生了大量的分子和表型数据，以尽可能全面地研究癌症特征。在高通量技术突破的催化下，组学数据的快速积累催生了癌症领域的“大数据”概念。大数据分析需要大量的计算资源，并可能为基本问题带来新的见解。事实上，大数据、生物信息学和人工智能的结合使我们对癌症生物学的基本理解取得了显著进展，并取得了转化进步。进一步的进展需要数据科学家、临床医生、生物学家和政策制定者的共同努力。

一个生动的例子是，在组学数据指导下使用超说明书药物的前瞻性临床研究。最近的伞形临床试验侧重于通过生成和分析全基因组数据(包括来自DNA测序、基因表达谱和拷贝数谱的数据)来对入组患者的肿瘤进行多组学分析，以确定治疗的优先顺序。在多组学分析之后，由临床医生领导的多学科分子肿瘤委员会根据目前已知的药物、基因和肿瘤易感性之间的关系选择最佳治疗方法。对于每种疗法，相关的易感性改变可能包括直接药物靶点、相同途径中的基因、药物治疗上调或下调的间接药物靶点，或通过物理或遗传相互作用与药物靶点相互作用的其他基因，指导患者接受标签外靶向治疗。评估临床疗效的终点包括与组学数据指导疗法(PFS2)相关的无进展生存期(PFS)和与既往治疗相关的PFS (PFS1)的比率，或者接受组学数据指导疗法和接受医生单独指导疗法的患者之间的生存差异。

图片10.png 图1. 分子数据指导下的临床试验

另外一个例子是关于药物开发。开发一种新药既昂贵又费时，而且失败率很高。新疗法的开发是大数据应用的一个有希望的方向。最近的研究将药理学数据和人工智能相结合来设计新药。基于现有DDR1抑制剂和化合物文库的信息，使用深度生成模型来设计抑制受体酪氨酸激酶DDR1的新小分子，主要候选药物在小鼠中表现出良好的药代动力学。深度生成模型是具有许多层的神经网络. 学习特定数据集的复杂特征，并可以使用它们生成与训练数据相似的新数据。对于每个特定的药物设计应用，这样的框架可以将不同的数据编码到神经网络参数中，从而自然地包含许多数据类型。一项研究通过挖掘4000多万份文件，在疾病、组织、基因、途径和药物之间建立了一个由12亿个边缘组成的网络，揭示了万德他尼和依维莫司联合使用可以抑制药物外排转运体ACVR1，作为弥漫性胶质瘤的潜在治疗方法。

随着如今医疗数据的爆发性增长，人工智能正以它独特的优势改变着我们的研究手段。未来应用计算机模型来促进我们的临床转化是一个有意义的方向。