美国费城儿童医院王凯团队、周筠筠团队及合作者联合在Science Advances发表了题为“CancerVar: An artificial intelligence–empowered platform for clinical interpretation of somatic mutations in cancer”的文章。研究团队开发了一种改进版的体细胞突变体解释工具——CancerVar,是基于Python编程语言搭建的一个网络服务器,包含1,911个癌症相关基因中1,300万个体细胞突变的临床证据。用户可以使用染色体位置或蛋白质变化等信息查询变异的临床解释,并基于先验知识或其他用户指定的标准,交互式微调特定评分特征的权重。CancerVar能够自动生成总结描述性解释的文本,包括诊断、预后、靶向药物反应和许多热点突变的临床试验信息,大大减少了精准肿瘤学实践中临床医生的工作量。
文章发表在Science Advances
图1. CancerVar的功能总结。来源:Science Advances
通过基于深度学习的方法,研究团队开发了一种基于人工智能的致癌优先级评分方法——Oncogenic Prioritization by Artificial Intelligence(OPAI)。OPAI可以利用不同计算工具预测的评分指标来确定一个突变的致癌性。与传统的深度学习算法不同,OPAI基于半监督生成对抗网络,该网络包含从真实癌症患者测序数据中观察到的但未分类的体细胞突变。目前,OPAI的功能和用户指令已经集成到CancerVar软件中,允许用户在未来根据自己的个性化需求来预测特定的变体。
图2. OPAI工作流程。来源:Science Advances
结果显示,在基于6,226个体细胞变异的独立测试集中,与癌症特异性驱动因子预测方法和任何其他单个功能预测工具相比,CancerVar中的OPAI方法均表现最佳(AUC-ROC = 0.854) 。
图3. OPAI性能评估与比较,来源:Science Advances
图4. FOXA1体细胞突变的综合解释。来源:Science Advances
参考文献:
1. Quan Li et al, CancerVar: An artificial intelligence–empowered platform for clinical interpretation of somatic mutations in cancer, Science Advances (2022).DOI: 10.1126/sciadv.abj1624
2. A. H., et al., A harmonized meta-knowledgebase of clinical interpretations of somatic genomic variants in cancer. Nat. Genet. 52, 448–457 (2020).
3. B. M., et al., A census of pathway maps in cancer systems biology. Nat. Rev. Cancer 20, 233–246 (2020).