先从生物网络选择候选通路
2020 年 10 月 30 日，Nature Communications 发表一种结合类器官数据和生物网络的机器学习研究。韩国浦项科技大学（Pohang University of Science and Technology）与延世大学（Yonsei University）团队尝试寻找能够联系体外药物反应与患者资料的分子特征。
研究复用已经发表的模型数据：19 个结直肠癌类器官样本和 9 个膀胱癌类器官样本。基因表达与半数抑制浓度（IC50）用于训练，患者的表达、治疗记录和生存信息来自另一数据源。
作者先计算已知药物靶点与生物通路在蛋白相互作用网络中的距离，再从距离较近的通路筛选候选标志物。这一步利用生物学联系减少输入特征。
类器官数据用于学习表达与药物反应的联系
候选通路的表达特征进入岭回归模型，学习它们与类器官药物敏感性的关系。作者还比较其他回归方法，检查结果是否依赖某一种算法。
在筛选阶段，氟尿嘧啶对应 37 个邻近候选通路，顺铂对应 30 个。这些通路随后接受模型评价。
结直肠癌与氟尿嘧啶对应的候选特征为 BH3-only 蛋白激活通路，膀胱癌与顺铂对应的特征为氨基酸合成和相互转化通路。
输入网络采用无向蛋白相互作用关系。网络上距离较近，表示一种生物学关联线索。
TCGA 治疗队列的预测分组与总体生存
患者资料来自癌症基因组图谱（The Cancer Genome Atlas，TCGA）。作者根据类器官模型学到的系数和患者通路表达计算分数，再以中位数把患者分为两组，比较总体生存曲线。
分析包含 114 名有氟尿嘧啶治疗记录的结直肠癌患者，以及 77 名有顺铂治疗记录的膀胱癌患者。两项生存比较的 log-rank 检验分别为 P = 0.014 和 P = 0.01，模型预测较敏感组的总体生存表现更好。
在论文展示的随访资料中，预测较敏感的结直肠癌组未观察到死亡，另一组的 5 年总体生存率约为 50%；膀胱癌两组的 5 年总体生存率分别约为 75% 和 50%。这些分析以治疗后的总体生存差异评价预测分组，与类器官中测得的 IC50 属于不同层面的结果。
无相应治疗记录的队列与跨癌种比较
作者还分析了没有相应既往治疗记录的患者资料，包含 298 名结直肠癌患者和 294 名膀胱癌患者。按同一通路分组后，总体生存差异没有达到论文采用的统计学显著标准。
作者用这些未接受相应治疗的队列作为对照，考察候选通路与生存的联系是否具有治疗相关性。
交换两种癌种的候选通路后，原先的生存关联也不再显著。
研究还比较了年龄、性别、临床分期和淋巴结转移情况，本次样本中未发现这些特征与预测分组显著相关。将排名前 2 位的通路合并后，膀胱癌队列仍有生存差异，结直肠癌队列则失去原有的显著性，多加入通路没有带来一致改善。
不同特征与算法的生存关联比较
研究比较了全基因表达、全通路表达、其他网络筛选及一个深度学习方案。使用这些替代方案分析本次患者资料时，没有观察到同样显著的组间生存差异，提示特征选择方式会影响结果。
其中的深度学习模型原本面向多组学，本文使用的转录组输入可能影响表现。
外部细胞数据中，氟尿嘧啶敏感的结直肠癌细胞，其 BH3-only 蛋白激活通路表达高于耐药细胞；顺铂敏感的膀胱癌细胞也显示较高的氨基酸合成和相互转化通路表达，与模型预测方向一致。
作者进行了 10,000 次随机通路抽样，保持每次候选通路数与原分析一致。原方法同时关联患者生存和细胞药物敏感性的表现，优于大部分随机选择结果；结直肠癌与膀胱癌的经验 P 值分别为 0.0012 和 0.014。
预测分数与已知突变标志物的方向一致
在另一个外部比较中，携带 BRAF V600E 突变的结直肠癌患者，其西妥昔单抗预测耐药分数更高；携带 ERCC2 突变的膀胱癌患者，其顺铂预测耐药分数更低。两项结果与既往已知药物反应方向一致，分别达到 P = 0.037 和 P = 0.002。
作者把这些比较用于检查转录组通路预测是否与其他分子层面的信息吻合。研究没有把这些突变作为模型的训练输入，后续仍需更多类器官组学数据，才能直接评价多组学联合建模的表现。
纳入给药前后变化与更多分子数据
作者提出，后续可纳入给药前后的配对表达数据，研究药物引起的分子变化，并整合更多类器官组学资料，寻找更稳定的药物反应标志物。