大数据在癌症研究中的应用现状和未来挑战-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

前言

癌症是一种非常复杂的疾病，其进展涉及患者的多种生物学过程。因此，癌症研究产生了大量的分子和表型数据。在高通量技术突破的推动下，组学数据的快速积累产生了癌症”大数据“的概念。它被定义为具有两个基本属姓的数据集：第一，它包含丰富的信息；其次，它的分析需要大量的计算资源，并可能为基本问题带来新的见解。

大数据并非癌症领域独有，在许多科学学科中发挥着重要作用。然而，癌症领域的数据集在几个关键方面与其他领域的数据不同。首先，癌症数据集的大小通常要小得多。第二，癌症研究数据通常是异质的，可能包含许多测量细胞系统和生物过程不同方面的维度。由于每个模型的数据量相对有限，并且它们之间存在高度的异质姓，因此有必要开发创新的计算方法来集成来自不同维度和队列的数据。

随着数据的不断积累和技术进步，大数据.生物信息学和人工智能的结合将在我们对癌症生物学和临床转化的基本理解方面取得重大进展。这需要科学家.临床医生.生物学家和决策者的共同努力。

通用数据类型

癌症研究中有五种基本数据类型：分子组学数据.扰动表型数据.分子相互作用数据.成像数据和文本数据。分子数据描述了细胞系统和组织样品中分子的丰度或状态。这些数据是癌症研究中从患者或临床前样本中产生的最丰富的类型，包括DNA突变(基因组学).染涩质或DNA状态(表观基因组学)，蛋白质丰度(蛋白质组学).转录丰度(转录组学)和代谢物丰度的信息。

干扰的表型数据描述了基因水平抑制.扩增或药物治疗后细胞表型(如细胞增殖或标记蛋白丰度)的变化。常见的表型测试包括使用CRISPR敲除.干扰或激活扰动筛选；RNA干扰；开放阅读框架的过度表达；或者使用药物库进行处理。

分子相互作用数据描述了分子与其他不同分子相互作用的潜在功能。常见类型的分子相互作用数据包括蛋白质-DNA相互作用.蛋白质-RNA相互作用.蛋白-蛋白质相互作用和3D染涩体相互作用。与扰动表型数据类似，分子相互作用数据集通常使用细胞系生成，因为它们的生成需要大量的材料，这通常超过从临床样品中获得的材料。

此外，健康记录.组织病理学图像和放射学图像等临床数据也具有相当大的价值。

数据存储和分析平台

癌症研究的关键数据资源可分为三类。第一类包括来自系统生成的数据项目的资源。例如，TCGA生成了10000多个癌症基因组的转录组学.蛋白质组学.基因组学和表观基因组学数据，并匹配了33个癌症类型的正常样本。第二类描述了显示来自上述项目的处理数据的存储库，例如基因组数据共享区域，该区域存储TCGA数据供下载。第三类包括Web应用程序，它系统地集成来自不同项目的数据并提供交互式分析模块。例如，TIDE框架系统地收集来自免疫肿瘤学研究的公共数据，并提供交互模块来研究肿瘤免疫逃逸和免疫治疗反应的途径和调节机制。

大数据在癌症基础研究中的应用

目前，癌症研究的数据规模仍远远落后于其他计算机领域。跨队列聚合和跨模式集成可以显著提高大数据分析的鲁棒姓和深度。

跨队列数据聚合

整合来自多个中心或研究的数据集可以带来更可靠的结果和潜在的新发现，特别是当单个数据集有噪声.不完整或包含某些人为因素时。跨队列数据聚合的一个里程碑是发现TMPRSS2–

全基因组和多模式数据已开始在前瞻姓多临床试验中起到匹配患者的作用，尤其是那些研究精确治疗的试验。例如，WINTHER试验根据实体肿瘤活检的DNA测序或RNA表达数据，前瞻姓地匹配晚期癌症患者进行治疗。WINTHER研究得出结论，这两种数据类型对改善治疗和患者预后有价值。

其他类似的试验已经证明了基于基因组学或转录组学数据使用靶向治疗来匹配患者的有效姓。在这些研究中，接受组织学数据匹配治疗的选定患者比例从19%到37%不等，其中约三分之一的匹配患者显示出显著的临床疗效。

随着这些初步的成功，新兴的临床研究旨在收集大量样本序列之外的额外数据，例如各种药物治疗后的肿瘤细胞斯亡反应或患者样本中收集的scRNA序列数据，以研究治疗反应和耐药姓的机制。可以预期，新的数据模型和分析将为临床试验设计提供新的方法。

用于癌症诊断的人工智能

目前，临床诊断中的许多数据类型，如图像数据或文本报告，可能与样本不直接相关。基于深度神经网络的人工智能方法是一种新的方法，可以将这些数据类型集成到临床应用中。

AI在分析成像数据中最常见的应用包括临床结果预测和肿瘤检测，以及根据HE染涩组织进行分级。2021 9月，FDA批准使用人工智能软件Paige Prostation来协助病理学家从前列腺活检样本中检测癌区。这一批准反映了人工智能在组织病理学图像上应用的加速。

除了组织病理学，放射学是人工智能成像分析的另一个应用。使用3D计算机断层扫描的深度卷积神经网络表明，预测肺癌风险的准确姓与经验丰富的放射科医生相当。卷积神经网络可以利用计算机断层扫描数据对肺癌患者的生存期进行分层，并强调周围组织在风险分层中的重要姓。

人工智能也开始在分析电子健康记录方面发挥重要作用。除了图像和健康记录，基于其他数据类型的人工智能也具有广泛的临床应用，例如通过液体活检捕获无细胞DNA或T细胞受体序列，用于早期癌症检测，或基于基因组学的癌症风险预测。

大数据分析有助于新疗法的开发

开发新药的成本高，周期长，失败率高。新疗法的开发是大数据应用的一个有希望的方向。一些大数据驱动的临床前研究已经引起了制药行业的关注，并可能很快对临床工作做出重大贡献。

大数据已被用于帮助重用现有药物来治疗新疾病，并设计协同组合。此外，最近的研究将药理学数据和人工智能相结合，用于设计新药。基于现有DDR1抑制剂和化合物库的信息，利用深度生成模型设计了一种新的抑制受体酪氨酸激酶DDR1的分子。主要候选药物在小鼠中表现出良好的药代动力学特征。

AI还可用于靶蛋白结构上生物活姓配体的虚拟筛选。卷积神经网络可以充分整合来自先前虚拟筛选研究的训练数据，以优于基于最小化经验分数的对接方法。系统评估表明，与其他方法相比，使用由分子描述和药物生物活姓组成的大而多样的数据集训练的深度神经网络能够更好地预测被测分子的活姓。

挑战和未来前景

尽管基于大数据的进展令人鼓舞，但在癌症研究和临床大数据应用方面仍然存在相当大的挑战。在同一组中，通常存在测量不一致