来自苏黎世联邦理工学院、苏黎世大学和苏黎世大学医院的专家利用机器学习共同创建了一种创新方法来预测单个细胞对特定治疗的反应，为更准确的诊断和治疗带来希望。

癌症是由导致致病性肿瘤细胞增殖的细胞变化引发的。为了找到最有效的药物组合和剂量，如果医生能够看到身体内部，可以说，并确定药物对单个细胞的影响，这是有利的。

来自苏黎世联邦理工学院、苏黎世大学和苏黎世大学医院的生物医学和计算机科学家组成的跨学科研究小组现已开发出一种机器学习方法，可以以比传统方法更高的准确性和细微差别对此类细胞变化和药物效应进行建模和预测。前。

了解单个细胞的反应

在抗击癌症的过程中，详细了解单个细胞对药物的行为是关键。毕竟，理想的药物应该只破坏肿瘤细胞。然而，如果药物的效果仅以较大细胞群的统计平均值为基础，那么对药物效果的分析可能无法检测到某些肿瘤细胞由于其性质或获得的耐药性而在药物中存活下来，并且癌症将继续存在传播。

苏黎世的研究人员设计了一种开创性的方法，该方法认识到单个细胞对较大群体中的药物可能产生的不同反应。对细胞变异的理解对于推进更有效的癌症治疗至关重要。

“一组细胞内的多样性极大地影响了它们对变化的敏感性或抵抗力。我们的方法不是将我们的理解基​​于细胞组的平均反应，而是可以精确地描述——甚至预测——每个细胞如何对来自外部的干扰做出反应。一种药物，”苏黎世联邦理工学院和苏黎世大学医院生物医学信息学教授GunnarRätsch解释道。

该方法适用于多种细胞类型

研究人员将细胞对化学、物理或遗传影响做出反应的分子反应称为扰动。这种干扰会改变受影响的细胞，例如引发细胞死亡。特定药物对癌细胞的影响也可以被视为扰动。

了解哪些癌细胞对药物有反应并确定对药物产生耐药性的癌细胞的特征对于开发新的治疗方法和策略至关重要。这种新疗法可以更有效地抑制细胞生长，甚至导致致病细胞死亡。

研究人员在最新一期的《自然方法》杂志上发表了他们的研究报告以及关于他们工作的研究简报，他们证明他们的方法不仅适用于癌细胞，也适用于其他致病细胞，例如红斑狼疮病例。这种自身免疫性疾病通常伴有红色皮疹，并可能导致胸部、心脏或肋骨发炎。

现在可以预测单个细胞的反应

这项研究的另一个关键创新是预测能力：苏黎世研究人员将他们的新机器学习方法称为CellOT。除了评估现有的细胞测量数据并从而扩展细胞扰动反应的知识之外，CellOT还可以预测单个细胞将如何响应尚未在实验室测量反应的扰动。

因此，新方法为更有针对性和个性化的治疗铺平了道路：预测可以预测扰动对看不见的细胞的影响，从而表明患者的细胞对相关药物的反应程度。该方法在医院环境中使用之前仍需要进行全面的临床试验。目前，研究人员已经证明了该方法能够提供高度准确的预测。

机器学习使这种预测成为可能。对于CellOT，研究人员使用新颖的机器学习算法，并使用来自未受扰动细胞的数据和来自扰动响应后发生变化的细胞的数据来训练这些算法。在此过程中，该算法了解细胞扰动反应如何产生、如何进展以及细胞状态改变的可能表型。

最佳交通促进学习

ETH计算机科学家与苏黎世大学细胞系统生物学教授LucasPelkmans领导的研究小组密切合作。GabrieleGut曾是Pelkmans实验室的博士后，现在是苏黎世大学医院肿瘤内科和血液学诊所的高级科学家，他使用4i多重蛋白质成像技术测量了特定的细胞变化。“CellOT对于通过该技术获取的数据效果特别好，”Pelkmans指出。此外，研究人员还从公共数据库中获得了单细胞RNA数据。

“从数学上讲，我们的机器学习模型基于这样的假设：细胞在扰动后逐渐发生变化，”夏洛特·邦尼(CharlotteBunne)说道。AndreasKrause，计算机科学教授兼ETH人工智能中心主席。Bunne的研究领域是机器学习，她解释说，“可以使用最佳运输的数学理论很好地描述和预测细胞状态的这些逐渐变化。”

最优传输(OT)是ETH数学教授AlessioFigalli获得2018年菲尔兹奖的数学领域。在过去的四年中，最佳传输理论为解释细胞扰动反应做出了很大贡献。

CellOT现在是第一个使用最佳传输和机器学习来预测新样本中细胞的扰动响应的方法。“现有的OT方法不允许进行样本外或测量外的预测。但这正是CellOT可以做到的，”Bunne说。