人类癌症治疗反应的跨物种和组织不可知预测,使用来自遗传多样化的Erbb2小鼠模型的AI驱动的细胞形态生物标志物

科学领域:

• 生物医学工程 生物医学工程
• 翻译性瘤学 翻译性瘤学
• 人工智能在医学中的应用

背景情况:

• 药物开发的成功取决于动物模型,但对人类患者的可转化性仍然是一个重大挑战.
• 现有的生物标志物往往缺乏跨物种的预测能力,阻碍了有效的治疗策略.

研究的目的:

• 开发一种人工智能框架,用于发现跨物种和组织不可知细胞形态生物标记 (CMB).
• 提高临床前发现对人类癌症患者的可翻译性.

主要方法:

• 人工智能框架被用来从小鼠乳腺瘤活检中识别CMB和CMB瘤亚型.
• 在基因多样化的Erbb2/Neu小鼠模型中评估了与多塞素治疗反应的相关性.
• 确定的CMB在患有乳腺癌,卵巢癌和肺癌的人类患者中得到了验证.

主要成果:

• 在小鼠中发现的CMB与多塞素治疗反应有显著的相关性.
• 这些CMB在人类癌症患者中,与现有的生物标志物和人类优化的ML系统相比,显示出更高的预测/预后能力.
• 协同丰富分析显示,在小鼠和人类中,生物功能得到保护,例如细胞循环调节.

结论:

• 人工智能驱动的跨物种CMB的发现提供了一种新的方法来提高药物开发的可翻译性.
• 在人类瘤学中,CMB具有作为预测和预后工具的巨大潜力.
• 保存的生物功能强调了CMBs对瘤生物学和治疗疗效的相关性.