Phenomic AI的Sam Cooper博士和Michael Briskin讨論了人工智能(AI)如何使他們能夠針對多細胞互相作用進行藥物開發。
許多預後最差的癌症由于其免疫抑制性的微環境而對免疫療法産生耐藥性。然而，研究和靶向這些癌症并不是一項簡單的任務，主要是因為這種環境依賴于不同細胞類型之間的衆多互相作用，這意味着孤立地研究單個細胞類型的傳統方法無法提供準确的代表性。
雖然包含多種不同細胞類型的多細胞培養物和器官體可以提供更多生理相關的模型，但要确定特定細胞在疾病中的作用以及研究性治療如何影響它們，需要進行單細胞分析，這又會産生大量的資料集。
了解這些資料對于了解這些複雜的疾病，進而成功開發候選藥物至關重要。Drug Target Review的Hannah Balfour采訪了Phenomic AI的首席執行官Sam Cooper博士和該公司的首席科學官Michael Briskin博士，讨論了他們為什麼使用人工智能(AI)來分析他們的濕實驗室資料，以及如何使他們能夠開發針對複雜生物學的治療性抗體，如惡性良性腫瘤基質。
為什麼要使用AI分析多細胞培養資料？
Cooper解釋說：“多細胞模型具有多種不同的細胞類型，它們可以共同生長和互相作用，而單一培養隻有一種類型。通常，使用多細胞培養物時，制藥公司會進行大量分析。他們一起分析所有細胞并獲得單一結果。但是，這不能顯示培養物中每個單個細胞正在發生什麼。相反，使用成像和單細胞RNA測序技術來了解單細胞水準上發生的事情。這會産生大量資料，将使用一種深層神經網絡對其進行處理，以消化和識别存在的細胞類型以及它們如何受到影響。
允許研究人員做的是針對不同細胞類型之間的互相作用。當研究惡性良性腫瘤微環境時，這是關鍵，因為它包含許多彼此互相作用的細胞類型。通過一起培養和試驗這些細胞類型，但将它們作為個體進行分析，能夠觀察細胞-細胞回報以及不同細胞産物之間的互相作用，并确定其中哪些可能導緻疾病。
基于AI識别惡性良性腫瘤基質的藥物靶标
為什麼要研究和靶向惡性良性腫瘤基質？
Briskin博士解釋說，惡性良性腫瘤基質是惡性良性腫瘤學領域特别理想的靶标，因為它積極參與在惡性良性腫瘤周圍建立免疫抑制或免疫排斥的環境，進而阻止了它們對免疫療法的有效反應。他說，這些通常是預後最差的惡性良性腫瘤，并補充說一些例子包括胰腺癌，結直腸癌，前列腺癌和乳腺癌子集。
多細胞培養和AI在此應用中有何幫助？
為了有效地研究惡性良性腫瘤基質，Phenomic開發了一個平台，該平台使用深度學習工具來分析實驗資料并消除多細胞分析中靶标抑制作用的影響。迄今為止，這已使研究人員能夠識别惡性良性腫瘤基質中的新靶标并開發抗體療法，他們希望将其推進臨床前研究中。惡性良性腫瘤基質是一個複雜的結構，富含許多細胞類型，包括基質蛋白和成纖維細胞，它們互相作用産生免疫抑制性微環境。為了了解和開發用于惡性良性腫瘤基質的藥物，需要多細胞模型和多組學方法。
藥物研發中使用AI
Cooper說，這一領域令人興奮，自從1980年代首次出現以來，人工智能已經發展了很多。其在藥物發現中的目前用途分為三個不同的組：
最早的應用是設計化合物或蛋白質，現在有大量使用進階機器學習(ML)的公司湧入。
出現的第二種方法是檢查大型臨床資料集并分析某種藥物是否可以使特定患者群體受益。
使用ML分析大型實驗群組織資料集，以從分子水準幫助了解健康和疾病中的生物學。
未來用于藥物發現的AI的發展而言，Phenomic正處于使用它來探索蛋白質組學的邊緣，而除此之外，可能還在研究代謝組學和糖組學。這意味着資料集将變得更加豐富，甚至更有價值。
Cooper和Briskin得出結論，ML能夠從多細胞研究中消化大量資料集的能力意味着它正在成為增進對健康和疾病中細胞複雜互相作用的生物學認識的日益重要的工具。