Nature子刊 | 再取进展！南方医科大学李国新等团队合作开发新的方法，用于预测预后和癌症免疫治疗反应

在医学图像中使用深度学习进行癌症检测和诊断方面取得了实质性进展。然而，在预测治疗反应和结果方面的成功有限，这对个性化治疗策略具有重要意义。当前数据驱动的深度学习模型临床转化的一个重大障碍是缺乏可解释性，这通常归因于与基础病理生物学的脱节。

2023年8月23日，南方医科大学李国新及斯坦福大学李瑞江共同通讯在Nature Communications 发表题为“Biology-guided deep learning predicts prognosis and cancer immunotherapy response”的研究论文，该研究提出了一种生物引导的深度学习方法，能够从医学图像中同时预测肿瘤免疫和基质微环境状态以及治疗结果。研究在一项多中心国际研究中验证了用于预测胃癌预后的模型以及辅助化疗的益处。此外，该模型预测对免疫检查点抑制剂的应答，并可作为临床批准的生物标志物的补充。重要的是，该研究模型确定了对免疫治疗无应答的错配修复缺陷肿瘤子集，并可能为联合治疗的患者选择提供信息。

另外，2023年8月8日，南方医科大学李国新、中山大学王玮、斯坦福大学李瑞江共同通讯在Cell Reports Medicine 在线发表题为“Non-invasive tumor microenvironment evaluation and treatment response prediction in gastric cancer using deep learning radiomics”的研究论文，该研究提出了一种结合放射组学和深度学习分析的无创方法来预测放射图像的TME状态。通过对2,686例胃癌患者进行多机构队列研究，作者发现放射学模型可以准确预测TME状态，并且是超越临床病理变量的独立预后因素。该模型进一步预测了局部疾病患者辅助化疗的获益。在接受检查点阻断免疫治疗的患者中，该模型可以预测临床反应，并在与现有生物标志物联合使用时进一步提高预测准确性。该研究能够对TME进行无创评估，这为纵向监测和跟踪癌症治疗的反应打开了大门。鉴于常规使用放射成像在肿瘤学，该方法可以扩展到许多其他实体肿瘤类型（点击阅读）。

2023年6月16日，南方医科大学李国新、Ye Gengtai及Li Fengping共同通讯在Advanced Science 在线发表题为“N4-Acetylcytidine Drives Glycolysis Addiction in Gastric Cancer via NAT10/SEPT9/HIF-1α Positive Feedback Loop”的研究论文，该研究新发现了一种mRNA修饰物——N4-乙酰胞苷（ac4C），通过诱导过度糖酵解来增强胃癌（GC）细胞的缺氧耐受性。具体而言，乙酰转移酶NAT10的转录受缺氧诱导因子-1α（HIF-1α）的调控，缺氧诱导因子是细胞对缺氧反应的关键转录因子。acRIP测序、核糖体测序、RNA测序和功能研究证实，NAT10通过介导SEPT9 mRNA的ac4C修饰，进而激活HIF-1途径和随后的糖代谢重编程。NAT10/SEPT9/HIF-1α正反馈回路的形成促使HIF-1途径过度激活，并诱导糖酵解成瘾。抗血管生成和ac4C抑制的联合应用可降低体内缺氧耐受性并抑制肿瘤进展。该研究强调了ac4C在糖酵解成瘾调控中的关键作用，并提出了一种通过将阿帕替尼与ac4C抑制相结合来克服抗血管生成治疗的耐药性的有效策略（点击阅读）。

人工智能，包括机器学习和深度学习，越来越多地用于从生物医学数据中提取信息和发现新模式。这些方法在推进癌症研究和临床护理方面具有巨大潜力。深度学习最成功的应用之一是癌症筛查，用于医学图像中的早期检测和诊断。然而，使用深度学习预测治疗反应和结果的进展较慢，这对个性化治疗策略具有重要意义。

可解释性对于高风险临床应用至关重要。目前，深度学习领域由数据驱动的范式主导，这导致模型在其预测背后没有直观的理解或清晰的推理。在模型开发过程中，关于疾病生物学的先验知识被忽略，这一事实加剧了这一情况。与生物学的脱节导致模型缺乏可解释性，这是临床转化的一大障碍。迫切需要将病理生物学纳入深度学习模型的设计，以提高可解释性。

肿瘤微环境（TME）由多种免疫细胞和基质细胞类型组成，它们彼此密切相互作用，有助于肿瘤控制或进展。TME的预后相关性及其对治疗反应的影响在人类癌症中已得到充分证实。特别是淋巴细胞浸润与良好结局和对免疫治疗的应答相关，而肿瘤间质促进侵袭、转移，并导致治疗耐药和更差的生存。因此，TME的评估可以带来有价值的预后和预测信息。然而，目前以组织为基础的组织病理学方法容易产生采样偏倚。另一方面，成像可以对整个肿瘤进行无创性表征，并且可以在整个治疗过程中重复进行。定量影像学分析可能揭示放射学表型和潜在病理生物学之间的联系。

研究设计用于开发和验证用于预测TME类别和无病生存期的深度学习模型（图源自Nature Communications ）

该研究提出了一个生物学引导的深度学习框架，其中一个多任务模型被训练来同时预测从放射图像的TME状态和治疗结果。胃癌是全球最常见和最致命的恶性肿瘤之一，研究对胃癌的预后预测进行了国际验证，进一步评估了用于预测化疗带来的生存获益和对免疫治疗的应答的模型。总之，该研究提出了一种生物学引导的深度学习模型，该模型可以利用影像学图像提高对胃癌治疗反应和结局的预测。该研究提出的概念广泛适用于其他类型的肿瘤，并可能提供一种非侵入性的方法来评估肿瘤微环境，以指导个性化的癌症治疗。

参考消息：

https://doi.org/10.1038/s41467-023-40890-x

转自：“iNature”微信公众号

如有侵权，请联系本站删除！