对于癌症疗法而言，每年会有数十种新疗法进入临床试验，但最终只有不到4％的药物获得FDA的批准。尽管造成这一结果的影响因素有很多，但主要问题在于，我们并不完全了解特定癌症对治疗的反应方式或原因。因此，目前无法以最佳方式将合适的药物组合，并与合适的患者相匹配。
不过，人工智能的出现或许能助我们一臂之力。大多数机器学习模型都是“黑匣子”，它们不需要了解或关注预测结果的生物学机制，就能针对预测准确性进行优化。
近日，来自美国加州大学圣地亚哥分校医学院的研究人员表示，他们已经创建了一个名为DrugCell的新人工智能（AI）系统，该系统让肿瘤与最佳药物组合相匹配成为可能。使用DrugCell，在输入有关肿瘤的数据后，系统会返回最知名的药物、控制对该药物反应的生物学途径以及最佳药物组合。相关研究成果发表于《Cancer cell》上。

//doi.org/10.1016/j.ccell.2020.09.014
前者，分析工人发掘出一位可以说周围神经wifi网络（VNN），使用于模拟仿真简简单单的真核组织——酿酒酒曲。该程序会精确性分折表观遗传突变的对组织滋生发生反应的影向，还认定动力这分折的最关联的氧分子渠道。
在此基础上，他们创建了一种名为“DrugCell”的VNN，可模拟人类癌细胞对治疗性化合物的反应。DrugCell将模型的内部工作原理与人类细胞生物学的层次结构相结合，从而可以预测任何癌症中任何药物的反应，并设计有效的联合疗法。
组织药材反應是一种个繁多的状况，考量于菌物学和电学原因。为着在可解釋的类别中驯服药材反應的这5个决心原因，调查工作员将DrugCell来设计为具备有5个构成的脑劳动力精神网络信息，首先个构成是VNN，它是依据科学家DNA（GO）参数库文件记录查询的2086个菌物整个过程3D建模的，应用于模拟机科学家组织中分头子子操作操作系统软件化的阶段结构特征。这样子操作操作系统软件化中的每某个种，从有关小球淀粉酶黏结物（列举b-夺命球淀粉酶严重破坏黏结物）到比较大的移动数据传递路径（列举MAPK移动数据传递路径）到整体组织基本功能（列举糖酵解）的子操作操作系统软件化，都管理打了个组劳动力脑精神元来表达该子操作操作系统软件化的情况下。VNN总计用到了12516个脑精神元，这样脑精神元层次结构地理分布在6个有差异的层中。

DrugCell 构思
DrugCell的第二个分支是传统的人工神经网络（ANN），其中嵌入了药物的Morgan指纹，即化学结构的标准向量表示形式。该模型中两个分支（VNN嵌入细胞基因型和ANN嵌入药物结构）的输出被合并到单层神经元中，然后被整合以产生给定基因型对特定治疗的反应。此外，该模型通过对1,235种肿瘤细胞系对684种药物的反应进行了训练。
结果表明，DrugCell能够准确预测细胞系对治疗的反应（所有细胞系-药物对的总准确度为：spearman相关系数=0.80）。此外，预测的组合改善了患者来源的异种移植肿瘤模型中的无进展生存期，并且可以将ER阳性乳腺癌患者的临床结果分层。

探究的任何（人体细胞系，抗癫痫口服药物）对中，推测与具体的抗癫痫口服药物化学反应

出自于朋友的异种移值癌肿的联席专业指导诊治
DrugCell共使用了1200多种多样类恶性肿瘤组织细胞系系对近700种FDA许可药剂和研究性调理药剂的反馈的培训学校，大概有500,000多种多样类组织细胞系系/药剂连接。
第一作者Kuenzi说：“我们对DrugCell从实验室细胞系转化为小鼠和患者的肿瘤以及临床试验数据的能力感到惊讶。但我们的最终目标是使DrugCell进入诊所，为患者谋福利。因此，仍有许多工作要做。”
研究人员同时强调，虽然1200个细胞系是一个好的开始，但它不能代表癌症的完全异质性。研究团队现在正在添加更多的单细胞数据，并尝试不同的药物结构。他们还希望与现有的临床研究合作，将DrugCell嵌入诊断工具中，并在现实中对其进行前瞻性测试。