临床生物信息学工作者需要哪些【硬技能】和【软技能】？

Basic Information

• 英文标题： Clinical bioinformatics desiderata for molecular tumor boards
• 中文标题：临床生物信息学对于分子肿瘤委员会的需求
• 发表日期：19 September 2024
• 文章类型：Review
• 所属期刊：Briefings in Bioinformatics
• 文章作者：Matteo Pallocca | Gennaro Ciliberto
• 文章链接：https://academic.oup.com/bib/article/25/5/bbae447/7761956

Abstract

1. 临床生物信息学是通过计算方法解释医学数据所需的知识框架。
2. 在精准肿瘤学领域，这一领域变得至关重要，这得益于癌症基因组分析的推动：大多数分子肿瘤委员会的定义都要求有生物信息学家的参与。
3. 然而，所有可用文献在描述具体需要哪些数字工具和专业知识来处理和解释基因组数据、为癌症患者分配新型靶向或生物标志物驱动的靶向治疗方面仍然相当模糊。
4. 为了填补这一空白，在本文中，我们展示了肿瘤委员会生物信息学家所需的软件家族和人类技能目录，并附有每个元素的具体实际应用示例。

Introduction

Para_01

1. 生物信息学是分子肿瘤委员会（MTB）的必要组成部分。
2. 分子肿瘤委员会已被以多种方式定义，共同点是由多学科团队讨论患者数据、诊断和结果，根据通过组学分析（通常是DNA或RNA测序）检测到的分子改变推荐靶向治疗。
3. 具体来说，使用自动化方法注释分子改变为任何类型的组学分析提供了额外的优势。
4. 临床生物信息学的知识使分子病理学家能够确定肿瘤药物敏感性，并使肿瘤学家能够根据患者的病史和分子背景考虑额外的治疗方案。

Para_02

1. 自从大规模并行测序出现以来，生物信息学家成为分子研究实验室的新支柱，但几年后常规癌症测序引入时，并未发生同样的情况。
2. 这种不同步的主要原因在于福尔马林固定石蜡包埋（FFPE）肿瘤测序解决方案的端到端工程设计，使得病理科能够在没有深厚计算知识的情况下完成所有多步骤过程。
3. 在精准肿瘤学初期，可操作的基因变异数量很少，离散的敏感性或耐药性谱型组合容易被人类理解，无需机器辅助注释。
4. 此外，分子辅助临床算法的缺乏导致病理科使用条件定量 PCR 而不是下一代测序来检测小片段插入/缺失和突变，如 KRAS、BRAF 和 EGFR。

• 图1 软件家族和分子肿瘤委员会中数据流的高层次表示。彩色圆圈被方框包围，表示允许不同实体之间交互的技术和工具。虚线提供更多关于实体的详细信息。钥匙表示数据库查询所需的必填字段。

Para_03

1. 近年来，免疫疗法和靶向治疗的临床级批准率以稳定的速度增长，这是由于发现了许多基因异常和有希望的药物靶点。
2. 随着临床和临床前证据的增加，常规筛查和目标测序中进行的平均基因组采样从数百千碱基的目标增加，并与其他类型的组学数据进行了系统整合。
3. 全编码序列的应用增加了数据管道的复杂性以及体细胞和生殖系偶然发现的概率。
4. 这一新情况一方面为患者带来了一系列新的治疗组合，同时对医院工作人员在变异分析和报告方面提出了严峻挑战。
5. 变异解释的概念本身并不简单；相反，众多可能的解释要求掌握有效整合和优先排序变异的技能。

Para_04

1. 有趣的是，这种分子数据的扩展使其成为一种具有重大价值的来源，可与临床试验数据相媲美。
2. 这种现象需要另一场革命，即与临床数据数字化相关的革命，以及推动数据的FAIR原则和联邦化，以迎接数字医学和临床研究的新时代。
3. 另一个挑战在于将基因组改变与电子健康记录（EHRs）中的相关患者数据连接起来：例如，仅凭基因组变异本身在术前、术后或缓解期不同阶段的组织中发现时，并不具有相同的临床意义。

Para_05

1. 由于这些驱动改进，癌症中心强烈要求增强生物信息学和临床信息学的工作负载，并相应地获取软件和数字工具。
2. 在本文中，我们映射并定义了所有用于MTB数据分析和管理所需的系统和知识需求，以确定如何将这一系列新方法整合到临床实践中。

Digital framework

Software families

软件家族

Para_06

1. 工具和软件框架在图 1 中被归类为几个家族。尽管不同家族之间可能存在功能重叠，这种分类旨在将特定工具分配到从生物信息学和精准医学角度来看最关键的 MTB 数据处理步骤中。
2. 整个工作流程是基于中型到大型癌症中心的设置构建的，源于意大利抗癌联盟的经验以及其他与欧洲国际临床基因组学应用的合作，例如 DRUP 试验和 DIGICORE 联盟。

Para_07

1. 某些方面代表了事实上的标准，如表 S1 所示，例如广泛接受的 VCF/MAFs 格式用于 DNA 变异。
2. 与此同时，其他方面在生物技术方法的多样性上表现出不对称性。
3. 一些工具是专门为生物信息学家和数据工程师设计的，需要 Unix 系统和编程技能，而另一些工具则通常集成到用户友好的图形界面中，旨在服务更广泛的受众，包括参与 MTB 的专业人员。

Variant annotators

变异注释器

Para_08

1. 在变异检测流程中，原始的变异调用文件（VCFs）包含样本相对于参考基因组或匹配对照的所有基因组改变。
2. 变异注释任务涉及将这些变异与生物学后果关联起来。
3. 变异注释器的最低要求是能够识别和预测所有突变的潜在影响，包括编码序列、剪接位点和调控位点中的突变引起的效应。
4. 尽管已经开发了多种工具用于预测突变的生化水平致病性，但它们的广泛应用和临床效用仍然有限。
5. 在讨论结核分枝杆菌时，分子生物学家通常可以通过这些结果评论变异是否位于特定已知靶向药物的同一外显子中，或者氨基酸变化是否影响蛋白质活性。
6. 此外，蛋白质编码基因序列的变化可能会影响活性、溶解性和细胞定位，并在已知药物靶点的情况下变得至关重要。

Para_09

1. 文献和软件全景中注释器的相关内容非常广泛，最近对专注于目标深度测序分析的工具产生了兴趣，而大多数已开发的软件与大规模全外显子组和全基因组测序数据相关联。
2. 目前，大多数此类软件已嵌入用于临床 NGS 分析的自动化端到端管道中，但在需要使用更新的数据库重新分析变异调用文件以进行长期存储或临床研究时，它们仍然具有重要价值。

Artificial intelligence validation for variant calling and variant prioritization

Para_10

1. 人工智能（AI）和机器学习技术被嵌入到现代变异检测工具中，以提高其敏感性，充分利用下一代基因组学时代产生的大量数据。
2. 例如，DeepVariant 和 Clairvoyante 等软件利用 AI 驱动的方法有效去除伪影，而其他如 Mutect2 则采用更简单的模型准确检测体细胞变异，尤其是在肿瘤异质性和测序伪影的情况下。
3. 在变异注释和优先级排序的背景下，多个平台上的大量证据构成了重大挑战。
4. VAAST 和 VarSeq 等工具利用 AI 技术整合不同的数据源，包括功能影响、进化保守性和临床相关性，使分子研究人员能够专注于最具潜力的变异。

Transcriptomics

转录组学

Para_11

1. 其他种类的组学分析方法，主要是 RNA 分析，可以提供在临床水平上有用的信息，以帮助确定药物敏感性或耐药性，从而提供更合适的临床路径。
2. 然而，除了某些转录水平上的融合事件外，它仍然是大多数病理诊断中的边缘工具。
3. 已经进行了多次尝试从高通量转录组学中提取可靠的生物标志物，尽管其可靠性水平仍然存在争议。
4. 最有前景的两种情况是风险预测算法，用于评估辅助化疗的效用，例如在乳腺癌环境下的 PROSIGNA，以及泛癌免疫治疗生物标志物，特别是针对实体瘤的免疫检查点抑制剂。
5. 一方面，RNA 图谱可以提供关于肿瘤内在和外在因素的信息；另一方面，由于 RNA 的易变性和时间上的变化，其可重复性在生物技术层面受到阻碍。
6. 此外，与 DNA 分析相比，RNA 分析更容易受到样本偏差的影响，因为实体瘤组织样本的异质性导致了癌症微环境的复杂性。
7. 其他基于转录组学的特征和算法，如新抗原预测和等位基因特异性表达，预计随着癌症疫苗的批准将变得更为重要。

Liquid biopsy and other omics data

液体活检和其他组学数据

Para_12

1. 此外，其他组学数据来源将在不久的将来由临床生物信息学家进行分析和处理。例如，蛋白质组学可能包含转录组学数据中不存在的相关信息，蛋白质组数据库提供了关于分子机制和靶点调节因子的广泛数据。
2. 美国国家癌症研究所的临床蛋白质组肿瘤分析联盟 (CPTAC) 为研究界提供了基于质谱的蛋白质组学数据，以突出多种癌症类型的失调通路。
3. 这些网络资源使研究人员能够查询队列，并将 MTB 派生的谱型与临床注释进行比较，还可以比较来自组学谱型的预期预后。
4. 然而，这些应用仍处于临床前阶段。

Para_13

1. 从代谢组学的角度来看，已经开发了个性化的治疗策略以改善患者的预后。
2. 然而，一些方法学上的缺陷，例如生物样本的极端异质性，以及样本和数据处理技术缺乏标准化，导致需要通过转录组学和/或蛋白质组学分析来补充这一技术。
3. 因此，接近临床应用的这些方法的数字工具的数量和质量仍然很少。

Para_14

1. 最后，所有这些生物技术方法在应用于更长时间框架时引起了越来越多的兴趣，这得益于液体活检中追踪的分析物。
2. 通常与液体活检相关的生物信息学工作流程设计专为专有平台设计，这些平台通常与特定模型相关，能够区分供应商特有的背景噪声和信号。
3. 尽管如此，一些工具已经开发出来，具有更广泛的应用前景。
4. 因此，我们预计随着液体活检在微小残留病监测中的应用增加以及液体癌症筛查技术的改进，将开发出新的标准化统计和工程框架，以应用于常规的分子肿瘤委员会场景。

Actionability annotation tools

可操作性标注工具

Para_15

1. 一旦分子变异在生物学水平上得到注释，MTB 工作流程的下一步是提供关于这些变异的临床价值的见解。
2. 这种分析可以通过使用生物信息学资源集成数据库和注释系统来进行。
3. 我们在此定义了所述软件的边界和要求。
4. 可操作性注释工具（AAT）可以定义为一个确定性系统，给定癌症类型、基因符号和变异的三元组，它可以对与该三元组相关的所有药物敏感性和耐药性进行排序，如果有的话（图1）。
5. 许多这样的框架最近已经开发出来，但并非所有框架都具有应用程序编程接口（API），以自动将这些注释嵌入分子报告中，除了 OncoKB 和社区驱动的 CIViC。
6. 一个有用的功能是公共网页门户，使非生物信息学家能够浏览和搜索敏感性水平和可操作性证据。
7. 必须与可操作性注释尺度（AAS）区分开来，后者是理论框架，其中敏感性水平被定义为多个步骤——通常第一级包含特定 {肿瘤, 基因, 变异"} 组合的监管批准药物，最后一级与临床前或体外证据相关联。
8. 虽然定义了许多尺度，但并非所有尺度都在软件系统中自动化（表1）。
9. 与这些工具相关的关键挑战之一是保持与监管机构关联的更新能力，以及在多个地理位置表示药物关联的能力。
10. 大多数关联与 FDA 批准有关，这些批准通常未反映或与其他大陆参考（如 EMA）不一致，尽管这些尺度正趋向于相同的排名结构（表1）。

• 表1 临床生物信息学和监管批准中使用最多的可操作性量表和系统。

Table Description:

• Sensitivity Levels: Levels of the evidence supporting the sensitivity hypothesis.
• Resistance Levels: Levels of the evidence supporting the resistance hypothesis.
• Consensus Level: Level of concordance among studies towards a given hypothesis.
• Efficacy Level: Level of effectiveness of a treatment.
• Regulatory: The regulatory body for which approvals are listed.
• API or Web Portal: Whether the system employs application programming interfaces to be easily embedded in other workflows and/or a public web portal to be queried.

MTB management systems

MTB 管理系统

Para_16

1. 从临床物流的角度来看，分子肿瘤委员会是专注于药物法规和分子结果的高度专业化的疾病管理团队。
2. 根据癌症中心的规模和内部组织结构，分子肿瘤委员会会议可以每周、每两周或每月举行一次。
3. 这些会议通常以远程或混合方式进行。
4. 除了在后疫情时代经历巨大发展和优化的视频通话工具外，还需要管理软件来记录会议纪要、额外分析请求以及多学科报告的生成。
5. 一些提出的解决方案可以部分自动化生成这些报告，在报告中，分子肿瘤委员会总结了分子和临床证据，并在可行的情况下推荐治疗策略。

Para_17

1. 有几个软件程序可用于此目的，从由 OECI 癌症中心内部开发的到商业化的。
2. 其中一些工具已经发展成为综合的数据管理框架，还能够共享和讨论放射学和病理图像。
3. 由于重点仍然放在追踪癌症分子进化上，cBioPortal 框架的最新升级值得关注。
4. 除了多队列分子分析系统已成为事实上的标准之一，得益于其开源框架，它最近扩展了功能，成为一个包括患者级时间线和影像分析的管理系统。
5. 此外，分子数据基础设施也得到了增强，可以描述靶向测序面板，而不仅仅是经典的 TCGA 队列的全外显子组测序覆盖。

Molecular tumor registries

分子肿瘤登记册

Para_18

1. 癌症患者常规基因组分析中的一个挑战是根据其分子谱查询和过滤内部队列。
2. 当 MTB 在区域或国家层面实施时，例如多中心临床试验，这一步骤变得尤为重要。
3. 此外，MTB 可能会询问哪些患者在可操作基因中表现出非典型突变，以及其中有多少人被分配或对特定疗法有反应。
4. 不幸的是，大多数常规筛查结果仅保存在静态分子报告 PDF 中，只包含可操作变异，阻碍了回顾性基因组队列的价值。
5. 或者，体细胞改变可能存储在不符合基本 FAIR 准则的系统中，从 Excel 表格到不允许批量导出和工作流程分析透明性的专有数据库。
6. 为此，癌症中心已经开始开发‘分子注册库’，以重新分析和存储基因组遗留数据。
7. 这些实现大多为研究目的提供匿名访问，并需要与广泛的研究知情同意相关联。
8. 这些数据在生物技术上具有多样性，多年来使用了多个特定基因组目标的 NGS 面板，并不总是补充原始数据（FASTQ/uBAMs）或适当的数字化注释。
9. 这些注册库承诺与电子健康记录和内部数据仓库关联，并在适用情况下进行联合搜索，以实现在分子水平上的数据 FAIR 性。
10. 最后，这些注册库可以与生物样本库数据中心连接并互操作，以便更容易地进行基于分子水平的数据和样本筛选研究。

Knowledge bases

知识库

Para_19

1. 将分子改变与临床试验联系起来是分子肿瘤委员会的关键步骤。
2. 这些信息可以用来尝试找到符合入组标准的患者，或者挖掘药物敏感性方面的过去知识，这些知识可能尚未包含在AAS中。
3. 知识库（KB）可以具备增强的人工智能搜索引擎，通过自动自然语言处理和网络爬虫技术，可以总结数千条与‘<基因，改变>查询’相关的临床试验记录。
4. 这些框架以独立格式存在，并嵌入在一些AAS中作为单独功能。
5. 仍然存在许多挑战来匹配人类解析的特异性，特别是在关于毒性、不良反应和二期试验次要目标的结果方面。

Bioinformatician contribution to the molecular tumor board

生物信息学家对分子肿瘤委员会的贡献

Para_20

1. 本文综述的软件家族部分提供了高层次的概述，介绍了在MTB背景下可以利用的必要工具。
2. 在讨论人力技能要求之前，我们将具体讨论所有提到的数字框架和主题对准备和MTB讨论的意义，包括从常规分子数据处理中可以吸取的经验教训。

Para_21

1. ‘变异注释器’对于解释内部或第三方分子检测的质量指标至关重要。
2. 在结果存疑的情况下，生物信息学家可以要求提供原始数据并重新分析，特别是在已知变异未得到验证，或变异评分接近阈值的情况下。
3. 在低至中等倍性‘拷贝数变异’的情况下，这一方面尤为重要。
4. 在‘人工智能’辅助检测中，必须提供对嵌入分子检测分析中的人工智能子类型的解释。
5. 这可以从经典的自动化统计建模到更复杂的情况，如深度学习或神经网络预测。
6. 对于内部尤其是外部、第三方和商业检测，可以解释由人工智能得出的分子生物标志物的稳健性。

Para_22

1. 关于RNA和‘转录组学’，一个有用的贡献是对临床级别的RNA数据进行解释和质量检查，主要是RNA融合，这些融合与基于DNA的改变相比具有不同类型的阈值和覆盖度指标，并且通常缺乏通用基线。
2. 在较大规模的基于RNA的检测中，直到大规模和完整的转录组学，生物信息学家是最了解RNA测量、归一化和测量单位复杂性的多学科团队成员。
3. 由此提出的问题可能与达到某个分析物绝对值所需的内部或外部人工掺入标准化物质有关，或者与以每百万经典转录本（TPM）水平测量的相对丰度有关。

Para_23

1. 在剖析‘液体活检’检测中嵌入的数学和数字分析类型时，生物信息学家可以更好地解释用于背景信号的归一化策略。
2. 如果是专有平台，则需具体说明所进行的验证类型以及如何测量野生型或突变的分子标签。
3. 同样，在这种情况下，当液体活检或微小残留病检测未能预测复发或其结果接近解释阈值时，处理原始数据可以提供解释并更好地验证整个过程。

Para_24

1. 在通过‘可操作性注释工具’将潜在药物与改变关联时，这些工具可以通过网络界面被非生物信息学专家使用，一位数字素养高的专家可以解释如何在不同尺度上关联可操作性水平。
2. 这些方面位于临床数据可访问性和数据FAIR原则的交界处，例如‘分子肿瘤登记处’，它使内部和外部病例的探索成为可能，并提供与其他DNA/RNA事件在同一氨基酸、密码子或基因/蛋白质靶点上的分子改变的渗透率、频率和共现性的估计。
3. 在相同背景下，知识库可以在讨论前由生物信息学家利用，以提供特定基因或变异体当前临床验证和临床研究的具体数量，通过临床试验的自动化挖掘来实现。

Human skills requirements

人类技能要求

Para_25

1. 大多数多学科肿瘤委员会的定义列出了生物信息学家作为其最低要求，但没有提供这些生物信息学家必须具备的具体技能清单。
2. 鉴于生物信息学和计算生物学的多方面定义，我们在此定义了肿瘤委员会生物信息学家所需的硬技能和软技能列表。
3. 该技能目录从生物样本库和样本存储的问题开始，逐步深入到生物信息学和数据工程的结果解释问题。

Para_26

1. 首先，在处理癌症基因组学时，组织存储是一个需要重点考虑的问题，仍然主要依赖于福尔马林固定石蜡包埋（FFPE）组织。尽管由于生物库的进步，这些组织的质量和标准化得到了显著提高，但它们仍然是突变检测中噪音和假阳性的主要来源，这是分子病理学部门所熟知的。
2. 此外，测序面板设计和优化策略对于如何以高信噪比追踪分子改变至关重要。
3. 例如，UMI的使用在生物技术领域大幅增加，以减少重复偏倚并更好地推断低材料测序中的特定分子来源，而在靶向测序时代初期，这并不是标准生物技术包的一部分。
4. 测序后，需要对原始数据进行分析，以将读取转换为下游注释所需的处理矩阵。这一过程现在被生物技术和制药公司视为常规操作，而创建优化工作流程曾经是大多数从事基因组学的生物信息学家必须掌握的过程。
5. 端到端虚拟化技术如Docker和Singularity的革命提高了这些复杂工作流程的可重复性，当处理数据结果出现问题时，这些工作流程需要被精细理解。
6. 值得注意的是，原始序列数据的保护不属于传统IT部门的技能范围，需要与生物信息学家的支持相结合，特别是在欧洲GDPR法规和其他国际类似法律框架实施之后。
7. 经过所有预处理和计算步骤后，需要在生物学水平上注释和解释种系和体细胞变异。这部分已经涉及到医学知识，但基本和中级技术概念如变异和群体等位基因频率、覆盖率以及与可用GWAS结果的交集必须是生物信息学家的工具箱内容。
8. 另外，对于那些不位于热点区域且意义不确定的变异，仍需通过专用软件如整合基因组浏览器进行手动检查。手动检查是对AI策划的高质量变异调用的补充，使人们能够在变异落在扩增子侧翼或假基因时追踪伪影。这项任务通常由生物信息学家和精通数字的临床生物学家共同承担。

Para_27

1. 除了需要基本转化知识来解释的可操作性证据水平外，当需要解释与特定靶向药物或复杂生物标志物相关的临床试验结果时，生物统计学进入了这个领域。
2. 此外，经典药物基因组学尚未成为癌症常规检查的一部分，但随着全外显子组和全基因组分析的应用，它将变得越来越流行。
3. 最后，随着人工智能在精准医学应用中的应用场景不断增加，临床生物信息学框架必须具备日益复杂的流程，这些流程使用机器学习模型将改变与潜在的临床效用联系起来。
4. 所述框架的应用必须由能够识别来自具有嵌入式非确定性的模型的证据水平的人员处理，这些模型在处理关于临床前和计算机模拟领域的证据时发挥作用。

Digital skills education perspectives

数字技能教育展望

Para_28

1. 跨学科的背景在教育领域带来了挑战。学生或受训人员如果对个性化医学和计算机科学的交叉领域感兴趣，可能会对他们应该遵循的主要路径感到不确定。

Para_29

1. 所有技能可以归类为三个宏观领域：处理、工程和解释（图2）。
2. 处理指的是将样本和患者与数据连接的路径，工程涉及需要大量计算能力和整个数据生命周期的大规模分析，最后，解释是指对基因组信息的处理，最终得出可用于医学和生物学层面的结果。

• 图2 所需人类技能集的图形表示，包括样本处理、分析和解释。颜色编码遵循表S2中的技能聚类。

Para_30

1. 根据生物信息学家的辅修背景，学生可以选择投入时间通过特定的学术课程和在线培训来提升这些宏观领域中的一个。
2. 对于处理和解释，许多在线和现场课程由研究基础设施如 BBMRI-ERIC（生物样本库和处理）和 ELIXIR（变异分析和解释）在欧洲层面提供。
3. 解释课程可以在 EMBL 找到，而主要的生物信息学教育平台仍然是 GOBLET。

Para_31

1. 其他更具体的数字技能具有复杂性的陡峭阶梯，从基本的编程和脚本编写到处理操作系统和虚拟化技术，以确保MTB过程的端到端可重复性。
2. 所有这些方面在学术界和其他非机构培训平台如Codeacademy中都可以找到。

Para_32

1. 从一般角度来看，可以识别出两种主要的生物信息学技能集。第一种更侧重于数据科学和解释，这需要对一种脚本语言及其框架有深入的了解；第二种更接近于基因组原始数据处理，在这种情况下，需要操作系统和工程技术将大规模数据集转换为结构化的数据矩阵。
2. 第一种技能集要求对一种脚本语言及其框架有深入的了解，而第二种则需要操作系统和工程技术来处理大规模数据集并将其转换为结构化的数据矩阵。

Para_33

1. 这两种技能可以在同一专业技能集中共存，但对于处理大量生物技术多样化检测的设施、医院和移动测试单元，可能需要专门化。

Para_34

1. 技能目录并不打算全面或严格最小化，我们承认学术和职业轨迹的多样性可能导致这种劳动力构成。
2. 事实上，许多生物信息学家从分子生物学背景起步，在获得硕士学位后可以变得非常擅长计算技能，而对于更接近信息技术领域的任务，工程或计算机科学基础可能更为合适。
3. 所有这些方面在计算技能与临床决策交织在一起时成为一个微妙的问题。
4. 鉴于这些考虑，并且由于跨学科职业在欧洲内外遵循不同的规则，我们在此不提供与这些技能相关的具体大学学位列表。
5. 总之，医学领域是否会将临床生物信息学家视为 mere 技术人员还是具有特定专业资格的高级专业人士，仍然需要在许多欧洲国家中决定和定义。

Conclusions

Para_35

1. 临床生物信息学是一个新兴的跨学科临床框架和技能集，需要更好的定义，鉴于其与医学领域的微妙交集。
2. 必须避免的一个关键风险是将整个领域作为技术细节外包给生物技术和制药公司：这将导致整个生物医学领域在关键时刻失去重要的知识和决策能力，尤其是在人工智能开始发挥重要作用的时候。
3. 重要的是，这些新工具中的许多将被监管为医疗器械。
4. 因此，我们预计新型生物医学决策者应包括既懂计算又懂医学的医生和临床生物信息学家。