撰文
我的闺蜜老红帽
在#前列腺癌#的研究和治疗过程中，患者的基因型与临床表现型如何一一对应是这领域研究重点和难点。随着机器学习在生物医学领域的广泛应用，使得由基因组预测和发现潜在癌症风险成为可能。
年9月22日，来自美国丹纳·法博癌症研究中心的EliezerMVanAllen课题组在Nature上发表题为Biologicallyinformeddeepneuralnetworkforprostatecancerdiscovery的文章，构建了名为P-NET、以生物信息学为基础的深度机器学习模型。通过这一模型，可以为处于治疗耐受状态的前列腺癌病人预测新的治疗靶标。
具体来说，作者基于生物神经网络的层级概念，整合了组生物网络图谱，构建了一个深度学习预测模型，输入前列腺癌病人的基因组，通过计算，第一层可以输出一系列基因簇，这些基因簇之间可以通过带有权重的线相连接；第二层则是相关的生物学通路；接下来是整合这些通路所预测的可能生物现象及结论，依此类推，最终可以预测这一病人的病情。
作者采集了位前列腺癌病人的资料，其中80%用于模型训练，10%用于模型校正，剩余10%用于检测这一模型的正确率。从结果来看，在输入相同体量的样本情况下，作者所构建的P-NET模型准确率要优于已知的深度机器学习模型。
接下来，作者将这一模型用于实践。作者招募了两组前列腺癌病人，一组是处于原发状态，另一组癌症病灶已经发生转移。结果显示，P-NET模型可以准确预测73%的原发状态和80%的已转移状态。作者猜测，之所以有几例处于原发状态的病人被P-NET模型归为已转移状态，很可能是因为这几例病人病情较为严重，P-NET评分较高所致。从另一方面来说，这一模型在预测病人所处状态之余，还可以通过P-NET评分来显示病情严重程度。
再下来，为了研究不同的基因、信号通路和生物学网络之间的相互作用以及对模型预测结果的影响，作者用示意图的形式显示了这一模型的输出的整体结构（如下图所示）。
在前列腺癌病人众多的基因组层面变化中，基因拷贝数的变化对病情影响要高于基因突变本身。另外，在P-NET所涵盖的组信号通路中，多条细胞周期相关通路与已转移状态相关，而泛素化和SUMO化信号通路则与多种肿瘤抑制因子相关，包括AR，这些通路异常很可能会导致前列腺癌发病。例如，骨源转录因子RUNX2可以调控细胞周期，且与前列腺癌转移相关。
再下来作者通过P-NET模型预测出一系列与癌症进程相关的基因。重点