研究人员开发了新的计算工具来解释癌症突变的临床意义
费城儿童医院(CHOP)的研究人员开发了一种新的工具来帮助研究人员解释癌症中体细胞突变的临床意义。这个工具，被称为CancerVar，结合机器学习框架，超越仅仅识别体细胞癌症突变，并解释这些突变在癌症诊断、预后和靶向性方面的潜在意义。一篇描述CancerVar的论文今天发表在科学的进步．
“CancerVar不会取代人类的解读临床但它将显著减少人类审稿人在精确肿瘤实践中通过测序和起草临床报告对识别的变异进行分类的手工工作，”CHOP病理和实验室医学教授、论文高级作者王凯博士说。CancerVar记录并协调了各种类型的临床证据包括药物信息，出版物，和体细胞途径突变在细节。通过提供标准化、可重复和精确的输出来解释体细胞变异，CancerVar可以帮助研究人员和临床医生优先考虑关注的突变。”
“体细胞变异的分类和解释是肿瘤基因组分析中最耗时的步骤，”病理学和实验室医学教授、癌症基因组诊断主任和该论文的合著者Marilyn M. Li医学博士说。CancerVar提供了强大的工具这使这两个关键步骤自动化。该工具的临床应用将显著改善检测周转时间和性能一致性，使检测对所有儿科癌症患者更有影响，更负担得起。”
下一代测序(NGS)和精确医疗的发展已经导致数百万体细胞癌症变体的识别。为了更好地了解这些突变是否与疾病的临床过程相关或影响，研究人员已经建立了几个数据库来对这些变异进行分类。然而，这些数据库没有提供体细胞变异的标准化解释，因此在2017年，分子病理学协会(AMP)、美国临床肿瘤学会(ASCO)和美国病理学家学院(CAP)联合提出了体细胞变异解释、报告和评分的标准和指南。
然而，即使有了这些指导方针，AMP/ASCO/CAP分类方案也没有规定如何实施这些标准，因此不同的知识库提供了不同的结果。为了解决这个问题，CHOP的研究人员，包括CHOP的数据科学家和论文的共同高级作者周云云博士，开发了CancerVar，一个改进的体细胞变体解释工具，使用命令行软件Python和附带的web服务器。通过用户友好的web服务器，CancerVar包含了1911年的1300万个体细胞癌症变体的临床证据癌症普查通过现有研究和数据库挖掘的基因。
除了包括数百万体细胞突变，无论是否具有已知的重要性，该工具使用深度学习改善这些突变的临床解释。用户可以使用染色体位置或蛋白质变化等信息查询变异的临床解释，并交互式调整特定评分特征的权重先验知识或者附加用户指定的标准。CancerVar web服务器自动生成描述性解释，例如该突变是否与诊断、预后或正在进行的临床试验相关。
“这个工具展示了我们如何使用计算工具来自动化人类生成的指导方针，以及机器学习如何指导决策，”王说。“未来的研究应该探索将这个框架应用到病理学的其他领域。”
