Phenomic AI的Sam Cooper博士和Michael Briskin讨论了人工智能(AI)如何使他们能够针对多细胞相互作用进行药物开发。
许多预后最差的癌症由于其免疫抑制性的微环境而对免疫疗法产生耐药性。然而，研究和靶向这些癌症并不是一项简单的任务，主要是因为这种环境依赖于不同细胞类型之间的众多相互作用，这意味着孤立地研究单个细胞类型的传统方法无法提供准确的代表性。
虽然包含多种不同细胞类型的多细胞培养物和器官体可以提供更多生理相关的模型，但要确定特定细胞在疾病中的作用以及研究性治疗如何影响它们，需要进行单细胞分析，这又会产生大量的数据集。
理解这些数据对于理解这些复杂的疾病，从而成功开发候选药物至关重要。Drug Target Review的Hannah Balfour采访了Phenomic AI的首席执行官Sam Cooper博士和该公司的首席科学官Michael Briskin博士，讨论了他们为什么使用人工智能(AI)来分析他们的湿实验室数据，以及如何使他们能够开发针对复杂生物学的治疗性抗体，如肿瘤基质。
为什么要使用AI分析多细胞培养数据？
Cooper解释说：“多细胞模型具有多种不同的细胞类型，它们可以共同生长和相互作用，而单一培养只有一种类型。通常，使用多细胞培养物时，制药公司会进行大量分析。他们一起分析所有细胞并获得单一结果。但是，这不能显示培养物中每个单个细胞正在发生什么。相反，使用成像和单细胞RNA测序技术来了解单细胞水平上发生的事情。这会产生大量数据，将使用一种深层神经网络对其进行处理，以消化和识别存在的细胞类型以及它们如何受到影响。
允许研究人员做的是针对不同细胞类型之间的相互作用。当研究肿瘤微环境时，这是关键，因为它包含许多彼此相互作用的细胞类型。通过一起培养和试验这些细胞类型，但将它们作为个体进行分析，能够观察细胞-细胞反馈以及不同细胞产物之间的相互作用，并确定其中哪些可能导致疾病。
基于AI识别肿瘤基质的药物靶标
为什么要研究和靶向肿瘤基质？
Briskin博士解释说，肿瘤基质是肿瘤学领域特别理想的靶标，因为它积极参与在肿瘤周围建立免疫抑制或免疫排斥的环境，从而阻止了它们对免疫疗法的有效反应。他说，这些通常是预后最差的肿瘤，并补充说一些例子包括胰腺癌，结直肠癌，前列腺癌和乳腺癌子集。
多细胞培养和AI在此应用中有何帮助？
为了有效地研究肿瘤基质，Phenomic开发了一个平台，该平台使用深度学习工具来分析实验数据并消除多细胞分析中靶标抑制作用的影响。迄今为止，这已使研究人员能够识别肿瘤基质中的新靶标并开发抗体疗法，他们希望将其推进临床前研究中。肿瘤基质是一个复杂的结构，富含许多细胞类型，包括基质蛋白和成纤维细胞，它们相互作用产生免疫抑制性微环境。为了了解和开发用于肿瘤基质的药物，需要多细胞模型和多组学方法。
药物研发中使用AI
Cooper说，这一领域令人兴奋，自从1980年代首次出现以来，人工智能已经发展了很多。其在药物发现中的当前用途分为三个不同的组：
最早的应用是设计化合物或蛋白质，现在有大量使用高级机器学习(ML)的公司涌入。
出现的第二种方法是检查大型临床数据集并分析某种药物是否可以使特定患者群体受益。
使用ML分析大型实验和组织数据集，以从分子水平帮助理解健康和疾病中的生物学。
未来用于药物发现的AI的发展而言，Phenomic正处于使用它来探索蛋白质组学的边缘，而除此之外，可能还在研究代谢组学和糖组学。这意味着数据集将变得更加丰富，甚至更有价值。
Cooper和Briskin得出结论，ML能够从多细胞研究中消化大量数据集的能力意味着它正在成为增进对健康和疾病中细胞复杂相互作用的生物学认识的日益重要的工具。
