$阿斯利康(AZN.US)

阿斯利康開發生物標誌物預測 AI——PBMF

昨天，阿斯利康（AstraZeneca）公司腫瘤數據科學部 Etai Jacob、Gustavo Arango-Argoty 共同通訊在《Cancer cell》發表論文 “AI-driven predictive biomarker discovery with contrastive learning to improve clinical trial outcomes”，開發了基於對比學習的預測性生物標誌物建模框架（PBMF），一種基於神經網絡的方法，能系統且無偏地探索潛在的預測性生物標誌物。

背景：在現代醫學領域，臨牀試驗為每位個體生成了大量的臨牀基因組數據。然而，對個性化治療至關重要的預測性生物標誌物的發現仍然是一個重大挑戰。預測性生物標誌物與預後生物標誌物不同，前者用於識別可能從特定療法中獲益的患者，而後者則與無論採用何種治療的總體疾病結局相關。

PBMF 在各種數據集上進行了全面評估，並取得了顯著成果。在模擬現實場景的合成數據集中，PBMF 的表現優於 SIDES 和虛擬孿生（VT）等現有方法。當在 9 項涵蓋真實世界數據、不同癌症和非癌症適應症以及免疫腫瘤學（IO）臨牀試驗不同階段的多樣化臨牀研究中與這些方法進行對比時，PBMF 始終能夠識別出預測性生物標誌物。

在乳腺癌和糖尿病視網膜病變研究的生存分析中，PBMF 展現出優勢。在乳腺癌研究中，當識別預測激素治療聯合化療能帶來更長生存期的生物標誌物時，PBMF 在測試數據集中成功作為預測性生物標誌物進行泛化，而 VT 和 SIDES 則未能做到。在糖尿病視網膜病變研究中，PBMF 也識別出了預測性生物標誌物，而 VT 和 SIDES 主要識別出的是預後生物標誌物。