旨在帮助指导精密肿瘤发现和治疗的新分析工具

近来对多种癌症类型分类的大规模努力产生了如此许多资料，研究人员现在有一个新问题：如何将所有这些数据转化为引导癌症研究和患者护理的有意义的信息。

由密歇根大学罗格尔癌症中心的研究人员开发的一种新的分析工具结合了多个数据集来帮助从噪声中筛选信号。

“我们的想法是结合三种数据源的数据集分子数据从两者起来癌症细胞系和患者和患者药品Veerabhadran Baladandayuthapani博士说，他是密歇根大学公共卫生学院的生物统计学教授，也是发表在《癌症》杂志上的一篇论文的资深作者临床肿瘤学杂志这就是这个新工具的描述。

这个名为TransPRECISE的工具使用了来自31种癌症类型的7714名患者样本的数据，这些数据是癌症蛋白质组图谱(cancer Proteome Atlas)的一部分。这个加起来是640癌症细胞系从MD安德森细胞系项目和药物敏感性数据，代表来自癌症模型系统中药物敏感性的基因组学的481种药物。

“好在这是一个非常动态的过程。我们可以把整个系统安装在电脑上。随着新患者或新数据的出现，你可以不断增加它。”他是一名博士生，也是这篇论文的第一作者。

该工具建立在团队创建的早期模型之上，他们称之为PRECISE。着眼于精准医疗，他们创建了一个模型来观察每个患者的单个肿瘤的分子结构发生了什么变化。TransPRECISE添加了来自细胞系和药物敏感性的数据，这将有助于研究人员将癌细胞生物学转化为药物发现。

“现在我们在这些病人身上有成千上万的肿瘤，我们可以评估这些药物的潜在治疗效果。关键的想法是开发一种分析工具来实现这一点，”同时也是罗格尔癌症中心癌症数据科学共享资源主任的Baladandayuthapani说。

在JCO临床癌症信息学论文中，研究人员验证了工具通过比较已知的药物反应和临床结果在患者数据中。横发鉴定了个体肿瘤中蛋白质的差异，并准确地将其恢复到实际的患者结果。此外，它们看了几个途径来预测潜在的药物目标。这产生了镜像当前治疗建议或正在进行的目标的结果临床试验例如用于brca阳性乳腺癌的ibruutinib，以及用于结肠癌的拉帕替尼。

“我们有这么多数据，我们如何钻取它以使其更具信息量，所以肿瘤科医生可以理解？我们的工作可能有助于煽动学家或研究人员基于哪种机制工作，可能会带来可能的机制逮捕更多的评估，“Baladandayuthapani说。

---

---