新型机器学习算法创建具有作为通用诊断平台潜力的癌症图谱

在对儿童和成人癌症的首次广泛比较中，病童医院(SickKids)的研究人员分析了13，000种癌症，并使用一种新的机器学习算法建立了儿科癌症的“地图集”。

据估计，全世界每年有18万人的癌症诊断主要依赖于特定蛋白质的显微镜检查和检测。这些方法的准确性是可变的，并且改进不容易在机构之间共享。对于儿科癌症尤其如此，这是发达国家婴儿期以上儿童疾病死亡的最常见原因。

“随着全球癌症负担的增加，除非开发新的方法，否则癌症诊断的复杂性预计将增加，”遗传学和基因组生物学项目的资深科学家Adam Shlien博士解释说，他的团队开发了这种算法。“我们的平台可用于任何医院，以提高诊断癌症的速度和准确性，即使是罕见的癌症类型。

转录组分析阐明了小儿癌症的独特性

在《自然医学》上发表的一项新研究中，这种机器学习算法对每种已知的主要儿童癌症类型进行了分类，并且可以改进或匹配85%的儿科癌症患者的癌症诊断。

与其他检测和诊断工具不同，例如寻找特定基因突变的癌症面板测试或其他可能单独分析基因组的方法，这种机器学习算法分析一个人的整个转录组。虽然基因组由细胞中的所有DNA组成，但只有一部分遗传密码被复制到RNA分子中，称为转录组。

“仅仅因为你有一个非常繁忙的癌症基因组，并不意味着一切都是开放的，”遗传学和基因组生物学项目的研究助理，该研究的第一作者Federico Comitani博士说。“通过分析完整的转录组，我们可以找到每个肿瘤的核心特征，并收集每个个体特有的癌症活动的更清晰图片。

除了识别癌症类型之间的显着差异外，研究团队收集的大量数据和平台提供的放大倍数使研究人员能够识别455种癌症亚型。大量的亚型支持了这样一种观点，即大多数儿童癌症具有共同的祖先，然后分化成多种特定的肿瘤亚型。

“我们第一次能够看到癌症亚型之间的细微差异。儿童癌症比成人癌症显示出更多的转录变异性 - 细胞中表达的基因数量，“Shlien说，他是加拿大儿童癌症基因组学研究，也是儿科实验室医学系的副主任。“这为我们提供了一种全新的方法来观察癌症，并可能确定癌症的预后，以及改变我们对癌症的理解的可能性。

分类器可以改善小儿癌症的诊断

作为病童医院癌症测序计划(KiCS)的一部分，该工具已经在更快，更准确的癌症诊断中发挥了重要作用，该计划为癌症儿童提供全面的基因测序。

在神经母细胞瘤(儿童最常见的颅外实体瘤)病例中，该工具确定的亚型预测了肿瘤分化和患者生存率的显着差异。同样，该平台的研究结果通过揭示免疫细胞的不平衡来解释肉瘤，骨和软组织肿瘤对免疫疗法的不一致反应，从而为潜在的新治疗方法提供信息。

“随着我们向这个不断增长的图谱中添加更多样本，并用更大的数据集和样本类型对其进行验证，我们的分类器有可能成为诊断儿科癌症的通用测试，”Shlien说。

该RNA平台目前仅被全球许多早期采用者癌症中心用于研究用途，允许医生将患者的诊断与该平台确定的癌症类型进行比较，并获得数字诊断。还将这项工作带到更广泛的社区，作为一个平台，以实现诊断测试和加速癌症药物产品开发。