人工智能赋能癌症协同药物组合预测的现状与挑战

谭洪, 林圣庚, 熊毅

  1. 1.上海交通大学生命科学技术学院,上海 200240
    2.上海交通大学张江高等研究院人工智能生物医药中心,上海 201203
  • 收稿日期:2024-08-07 修回日期:2024-09-13 出版日期:2024-09-30 发布日期:2024-10-11
  • 通信作者: 熊毅(0000-0003-2910-6725),博士,研究员。
  • 作者简介:谭洪(0009-0008-8030-6670),硕士。
    熊毅,研究员,博士研究生导师。教育部“长江学者奖励计划”青年学者,上海市计算机学会生物信息学专业委员会秘书长。聚焦于人工智能驱动的生物大分子功能预测与设计、药物发现及疫苗设计等研究方向。主持多项国家重点研发计划课题和国家自然科学基金面上项目。以通信作者在Nature Machine Intelligence等SCI收录期刊上发表论文40余篇。
  • 基金资助:
    国家重点研发计划重点专项(2023YFC2506400);国家自然科学基金面上项目(62172274)

摘要/Abstract

摘要:

近年来,癌症的发病率和死亡率不断攀升,耐药性已成为目前癌症治疗的重大挑战。传统的单一化治疗方法并不能有效地应对肿瘤细胞的异质性及其多重耐药,常导致疗效不理想。药物联合治疗作为一种重要的治疗策略,可通过多药协同作用提高疗效并延缓耐药性的发展。然而,传统的药物组合筛选方法耗时且成本高昂。随着数据的积累和计算方法的发展,人工智能特别是深度学习在癌症协同药物组合预测中展现出巨大潜力。通过人工智能技术,研究人员可以更高效地预测药物组合是否存在协同作用,降低实验成本,发现新的潜在协同药物组合。然而,人工智能模型仍存在可解释性差、特征融合不充分及标注数据缺乏等问题。本文就人工智能在癌症药物组合协同作用预测中的应用进展予以综述。首先,介绍药物耐药机制及联合治疗的挑战,指出传统方法在药物组合筛选中的局限性。然后,介绍不同深度学习模型在癌症协同药物组合预测中的优缺点,包括前馈神经网络、图神经网络、自编码器、可见神经网络、Transformer及其扩展模型等。针对现有深度学习模型普遍存在的问题,本文提出了解决方案,包括利用多模态数据增强模型的泛化能力,采用迁移学习和多任务学习应对数据不足问题,以及设计更具可解释性的模型以推动临床应用。未来,药物协同组合预测领域有望通过开发标准化的协同指标、提升模型的可解释性、整合多模态数据及应对数据稀缺问题,进一步推动模型从实验室研究走向临床应用,从而为癌症治疗提供更有效的解决方案。

关键词: 癌症, 协同药物组合, 人工智能, 深度学习

Abstract:

In recent years, the incidence and mortality rates of cancer have been rising steadily, with drug resistance becoming a major challenge in cancer treatment. Traditional monolithic treatment approaches have proven ineffective in addressing the heterogeneity of tumor cells and their multiple resistance mechanisms, leading to suboptimal therapeutic outcomes. Drug combination therapy, as a critical strategy, aims to enhance efficacy and delay the development of drug resistance through the synergistic action of multiple drugs. However, conventional methods for screening drug combinations are time-consuming and costly. With the accumulation of data and advances in computational methods, artificial intelligence, particularly deep learning, has demonstrated great potential in predicting synergistic drug combinations for cancer treatment. Artificial intelligence technologies allow researchers to efficiently predict whether drug combinations exhibit synergistic effects, reducing experimental costs and identifying novel potential synergistic combinations. Nevertheless, artificial intelligence models still face challenges such as poor interpretability, insufficient feature integration, and a lack of labeled data. This paper provided a comprehensive review of the advancements in artificial intelligence applications for predicting synergistic drug combinations in cancer therapy. First, it discussed the mechanisms of drug resistance and the challenges of combination therapy, highlighting the limitations of traditional drug combination screening methods. Then, it presented the advantages and disadvantages of various deep learning models used for predicting synergistic drug combinations, including feedforward neural networks, graph neural networks, autoencoders, visible neural networks, Transformer and their extended models. In response to the common issues in current deep learning models, this review proposed several solutions, such as leveraging multimodal data to enhance model generalization, employing transfer learning and multitask learning to address data scarcity, and designing more interpretable models to facilitate clinical application. In the future, the field of synergistic drug combination prediction is expected to benefit from the development of standardized synergy metrics, improvements in model interpretability, integration of multimodal data, and effective handling of data limitations, further advancing the transition of models from laboratory research to clinical practice, ultimately providing more effective solutions for cancer treatment.

Key words: Cancer, Synergistic drug combinations, Artificial intelligence, Deep learning

中图分类号: 

相关文章

[1] 郝弦, 黄建军, 杨文秀, 刘晋廷, 张军红, 罗钰蓓, 李青, 王大红, 高玉炜, 谭福云, 薄莉, 郑羽, 王荣, 冯江龙, 李静, 赵春华, 豆晓伟. 乳腺癌原代细胞系为药物筛选和基础研究提供癌症新模型[J]. 中国癌症杂志, 2024, 34(6): 561-570.
[2] 庄晗, 胡伟刚, 章真, 王佳舟. 基于深度学习算法的病理学图片淋巴细胞浸润检测[J]. 中国癌症杂志, 2024, 34(4): 409-417.
[3] 姜梦琦, 韩昱晨, 傅小龙. 基于人工智能的H-E染色全切片病理学图像分析在肺癌研究中的进展[J]. 中国癌症杂志, 2024, 34(3): 306-315.
[4] 吴洪基, 王海霞, 汪玲, 罗小刚, 邹冬玲. 人工智能在类器官研究中的应用进展与挑战[J]. 中国癌症杂志, 2024, 34(2): 210-219.
[5] 赵海潮, 高强. 2022年度肝癌研究及诊疗新进展[J]. 中国癌症杂志, 2023, 33(4): 315-326.
[6] 刘洋, 胡奕炀, 刘月平, 牛淑瑶, 丁平安, 田园, 郭洪海, 杨沛刚, 张泽, 郑涛, 檀碧波, 范立侨, 李勇, 赵群. 人工智能辅助技术在胃癌新辅助化疗患者HER2表达评估中的价值[J]. 中国癌症杂志, 2023, 33(4): 377-387.
[7] 周昌明, 王泽洲, 郑莹. 2023年美国癌症数据解读及对中国癌症防治的启示[J]. 中国癌症杂志, 2023, 33(2): 117-125.
[8] 沈洁, 刘雅静, 莫淼, 周瑾, 王泽洲, 周昌明, 周世崇, 常才, 郑莹. 人工智能辅助超声对中国女性乳腺病灶识别的有效性研究[J]. 中国癌症杂志, 2023, 33(11): 1002-1008.
[9] 曾铖, 金奕滋, 李婷, 章真, 梁晓华, 唐曦, 刘天舒, 李琦, 沈赞, 姜斌, 王理伟, 张俊, 陈思宇, 周彩存, 高勇, 臧远胜, 李恒宇, 董宇超, 湛先保, 钟薏, 刘苓霜, 秦悦农, 胡夕春, 张剑. 上海市癌症患者化疗所致恶心呕吐的横断面研究[J]. 中国癌症杂志, 2023, 33(11): 1009-1017.
[10] 傅圆圆, 侯润萍, 傅小龙. 基于胸部CT预测早期非小细胞肺癌淋巴道或血道转移风险的研究进展[J]. 中国癌症杂志, 2022, 32(4): 343-350.
[11] 王子茂, 曹原, 王琪影. 皮肤梭形细胞黑色素瘤患者生存预测模型的构建及验证[J]. 中国癌症杂志, 2022, 32(3): 234-242.
[12] 徐文浩, 田熙, 艾合太木江·安外尔, 瞿元元, 施国海, 张海梁, 叶定伟. 人工智能在泌尿系统肿瘤中的应用研究进展[J]. 中国癌症杂志, 2022, 32(1): 68-74.
[13] 中华医学会肿瘤学分会肿瘤支持康复治疗学组. 中国癌症相关性疲乏临床实践诊疗指南(2021年版)[J]. 中国癌症杂志, 2021, 31(9): 852-872.
[14] 李志明, 龙 凤, 何建新, 黄 勇, 孙少康 . 长链非编码RNA AFAP1-AS1在癌症中作用及其机制的研究进展[J]. 中国癌症杂志, 2021, 31(4): 350-360.
[15] 刘 斌, 郑鹏远, 米 阳, 任飞飞, 高 爽, 刘 传, 李发展 . LRP8在胃癌中的表达及其在胃癌发生过程中的作用[J]. 中国癌症杂志, 2021, 31(4): 285-293.