美國時間6日，費城兒童醫院(CHOP)研究團隊發表了一項應用深度學習的AI工具「CancerVar」，能夠協助科學家和醫師針對癌症的體細胞突變(somatic variants)提供分類、並闡釋(interpret)臨床意義，攻克這項癌症基因體檢測(tumor genomic profiling, TGP)最耗時的步驟。這項研究刊登在《Science Advances》
 
研究團隊表示，CancerVar整合了機器學習框架，不僅能分析癌症的體細胞突變，記錄並協和(harmonize)各種臨床證據，包括藥物資訊、發表文獻以及體細胞突變機制細節，說明這些突變所具有的潛在意義，進而應用在癌症診斷、預後和可靶向性(targetablility)。
 
此研究資深作者、CHOP病理及醫事檢驗學教授Kai Wang表示，CancerVar能夠提供標準化、可重現(reproducible)、準確地輸出體細胞突變的說明資料，可幫助科學家和臨床人員優先排序其關心的體細胞突變。
 
Wang表示，CancerVar並不會取代臨床專業人員做出的闡釋，但它能顯著減輕人為處理定序的突變資料，並依照精準腫瘤學(precision oncology)的實務模式，產出草擬的臨床報告。
 
此研究共同作者，同時也是CHOP病理及醫事檢驗學教授、癌症遺傳診斷主任的Marilyn Li則表示，體細胞突變的分類和解釋，是癌症基因體檢測(tumor genomic profiling, TGP)最耗時的步驟之一。
 
Li表示，CancerVar能使這兩個關鍵步驟自動化，若落實到臨床，就能顯著改善流程和執行的一致性(performance consistency)，也讓此類檢測更具影響力，甚至是讓所有癌症兒童患者都能負擔得起。
 
隨著次世代定序(NGS)和精準醫療的崛起，科學家發現了數以百萬種的體細胞突變。為了更好的了解這些突變，是否與疾病的臨床進程相關、或是會造成影響，科學家發展出多個資料庫來為其分類。
 
然而，這些資料庫並沒有提供標準化的闡述，因此分子病理學協會(AMP)、美國臨床腫瘤學會(ASCO)和美國病理學會(CAP) 在2017年共同提出有關闡釋、報告和評分體細胞突變的標準與指南。然而，AMP/ASCO/CAP並沒有指明如何執行這些標準，因此科學家和醫師若是使用了不同的知識基礎，就可能會得到不同的結果。
 
針對這項需求，CHOP的研究團隊利用Python、結合網路伺服器開發出CancerVar，目前已經涵蓋了1300萬種體細胞變異，以及透過現有研究和資料庫，所挖掘出的1911個癌症普查基因(cancer census gene)。
 
CancerVar也使用深度學習，讓使用者能夠利用像是染色體位置、蛋白質改變的資訊，向系統要求提供突變相關的臨床闡釋，還可以根據過去的知識、外加患者專一性(patient-specific)標準，以微調特定評分特徵(scoring feature)的權重，並自動化生成描述性闡釋(descriptive interpretations)，例如這個突變是否和診斷或預後相關，或者與正在進行的臨床試驗相關。
 
Wang表示，這項工具展現出如何利用電腦運算，來自動化人類生成的指南，以及機器學習如何引導我們做出決策。未來研究團隊也預計把這項機器學習框架，應用到其他的病理學領域中。
 
參考資料：
https://www.news-medical.net/news/20220506/New-tool-can-help-researchers-interpret-the-clinical-significance-of-somatic-mutations-in-cancer.aspx
 
(編譯 / 吳培安)