加州大学洛杉矶分校的一个团队创建了一个人工智能模型，利用表观遗传学因素准确预测不同癌症类型患者的预后。与传统方法相比，这种创新方法提供了更好的预测，并凸显了表观遗传学在癌症治疗和进展中的重要性。

加州大学洛杉矶分校的研究人员发现，肿瘤中某些编码表观遗传因子的基因与不同癌症类型的临床结果有预测关联。

加州大学洛杉矶分校健康琼森综合癌症中心的研究人员开发了一种基于表观遗传因素的人工智能（AI）模型，该模型能够成功预测多种癌症类型患者的预后。

癌症预测中的表观遗传因素

研究人员发现，通过研究肿瘤中表观遗传因子（影响基因开启或关闭的因子）的基因表达模式，他们可以将肿瘤分为不同的组别，从而比癌症分级和分期等传统方法更好地预测各种癌症类型患者的预后。

今天（11月15日）发表在《通讯生物学》（Communications Biology）杂志上的这些发现还为开发旨在调节癌症治疗中的表观遗传因子（如组蛋白乙酰转移酶和SWI/SNF染色质重塑因子）的靶向疗法奠定了基础。

超越基因突变理解癌症

该研究的共同第一作者、加州大学洛杉矶分校分子、细胞和发育生物学教授、加州大学洛杉矶分校健康琼森综合癌症中心和伊莱和艾迪斯-布罗德再生医学和干细胞研究中心成员希拉里-科勒说："传统上，癌症主要被视为致癌基因或肿瘤抑制因子基因突变的结果。"

"然而，先进的下一代测序技术的出现让更多人认识到，染色质的状态以及维持这种状态的表观遗传因子的水平对癌症和癌症进展非常重要。染色质状态的不同方面--如组蛋白是否被修饰，或 DNA 的核酸碱基是否含有额外的甲基--会影响癌症的预后。了解肿瘤之间的这些差异有助于我们更深入地了解为什么有些患者对治疗的反应不同，为什么他们的预后也不同。"

尽管先前的研究表明，编码表观遗传因子的基因突变会影响个体的癌症易感性，但人们对这些因子的水平如何影响癌症进展却知之甚少。科勒指出，这一知识空白对于全面了解表观遗传学如何影响患者预后至关重要。

表观遗传学模式与临床结果

为了了解表观遗传模式与临床结果之间是否存在关系，研究人员分析了720种表观遗传因子的表达模式，将24种不同癌症类型的肿瘤分为不同的群组。

研究小组发现，在24种成人癌症类型中，有10种癌症的群组与患者预后的显著差异有关，包括无进展生存期、疾病特异性生存期和总生存期。

这一点在肾上腺皮质癌、肾透明细胞癌、脑低级别胶质瘤、肝肝细胞癌和肺腺癌中尤为明显，在这些癌症中，所有生存测量指标的差异都很显著。预后较差的群组往往具有较高的癌症分期、较大的肿瘤体积或更严重的扩散指标。

"我们发现，表观遗传因素的预后效果取决于癌症类型的原发组织，"该研究的共同第一作者、科勒实验室的项目副科学家米滕-米特拉（Mithun Mitra）说。"我们甚至在分析的几种小儿癌症类型中也发现了这种联系。这可能有助于决定针对这些因素进行治疗的癌症特异性相关性"。

预测患者预后的人工智能模型

研究小组随后利用表观遗传因子基因表达水平来训练和测试一个人工智能模型，以预测患者的预后。该模型专门用于预测在生存测量中存在显著差异的五种癌症类型可能发生的情况。

科学家们发现，该模型可以成功地将这五种癌症类型的患者分为两组：一组患者的预后明显较好，另一组患者的预后较差。

他们还发现，对人工智能模型最关键的基因与组群定义特征基因有明显重叠。

更广泛的应用潜力

Mitra说："泛癌症人工智能模型是在TCGA队列中的成年患者身上训练和测试出来的，如果能在其他独立数据集上进行测试，就能很好地探索它的广泛适用性。可以为儿科癌症生成类似的基于表观遗传因素的模型，看看与基于成人癌症建立的模型相比，哪些因素会影响决策过程。"

"我们的研究有助于为类似的人工智能模型提供路线图，这些模型可以通过公开的预后表观遗传因素列表生成，"该研究的第一作者、加州大学洛杉矶分校生物信息学跨系项目研究生迈克尔-程（Michael Cheng）说。"路线图展示了如何识别不同类型癌症中的某些影响因素，并包含了预测癌症治疗特定靶点的令人兴奋的潜力"。