精准医疗旨在根据患者个体疾病特征提供对应精准治疗，而预测性生物标志物在其中发挥关键作用。原因在于预测性生物标志物可筛选出更有可能从特定治疗中受益的个体，对于优化临床试验设计，提高患者生活质量至关重要。由于疾病生物学和治疗之间复杂的相互作用，预测性生物标志物的发现工作变得复杂且具有挑战。尽管测序技术可提供基因突变、转录组及蛋白质组学等信息，但高维数据带来的冗余性，以及众多预后因素的干扰反而增加了该工作的复杂性。有研究指出复合生物标志物可提升对肿瘤免疫学治疗的效果预测，并开发方法来发现具有潜在预测性的复合生物标志物，但这些方法目前使用起来仍存在诸多不足。

美国阿斯利康公司Etai Jacob研究小组在《Cancer Cell》期刊上发表题为“AI-driven predictive biomarker discovery with contrastive learning to improve clinical trial outcomes”的研究文章。该研究提出了一个基于对比学习的神经网络框架——预测生物标志物建模框架（PBMF），该模型提供了一种通用、快速、自动化的方法，为探索生物标志物提供信息，并为临床决策提供支持。

预测生物标志物建模框架（PBMF）在面对包含预测和预后信号的复杂数据时能够有效识别复合预测信号。与传统方法如基于差分效应搜索的子组识别（SIDES）和虚拟孪生（VT）相比，PBMF在合成数据测试中表现更优，AUC达到0.918±0.047，优于VT的0.858±0.029。在包括乳腺癌、糖尿病视网膜病变等9个不同的临床研究中，PBMF在其中多个试验中均找到可推广的预测生物标志物。在非小细胞肺癌真实世界数据（RWD）队列测试中，PBMF在训练和测试数据集上均能够准确识别出对免疫检查点抑制剂治疗有预测价值的生物标志物。在对肾细胞癌和转移性尿路上皮癌等疾病的研究中，PBMF利用单臂试验数据和合成对照臂数据有效识别出预测生物标志物，且在测试数据集上表现良好。此外，为使生物标志物策略更具临床可操作性，PBMF通过将复杂的神经网络模型提炼为简单的决策树，增强了模型的可解释性。

PBMF在预测生物标志物发现领域展现出显著优势，在多种复杂场景下均优于现有方法。通过独特的设计和训练目标，PBMF能够准确识别预测生物标志物，为临床决策提供有力支持，有望成为精准医学领域生物标志物发现的核心工具。

论文链接：

https://www.sciencedirect.com/science/article/pii/S1535610825001308?via%3Dihub

注：此研究成果摘自《Cancer Cell》期刊，文章内容并不代表本网站的观点和立场，仅供参考。