許多預後最差的癌症由於其免疫抑制性的微環境而對免疫療法產生耐藥性。然而，研究和靶向這些癌症並不是一項簡單的任務，主要是因為這種環境依賴於不同細胞型別之間的眾多相互作用，這意味著孤立地研究單個細胞型別的傳統方法無法提供準確的代表性。

雖然包含多種不同細胞型別的多細胞培養物和器官體可以提供更多生理相關的模型，但要確定特定細胞在疾病中的作用以及研究性治療如何影響它們，需要進行單細胞分析，這又會產生大量的資料集。

理解這些資料對於理解這些複雜的疾病，從而成功開發候選藥物至關重要。Drug Target Review的Hannah Balfour採訪了Phenomic AI的執行長Sam Cooper博士和該公司的首席科學官Michael Briskin博士，討論了他們為什麼使用人工智慧(AI)來分析他們的溼實驗室資料，以及如何使他們能夠開發針對複雜生物學的治療性抗體，如腫瘤基質。

為什麼要使用AI分析多細胞培養資料？

Cooper解釋說：“多細胞模型具有多種不同的細胞型別，它們可以共同生長和相互作用，而單一培養只有一種型別。通常，使用多細胞培養物時，製藥公司會進行大量分析。他們一起分析所有細胞並獲得單一結果。但是，這不能顯示培養物中每個單個細胞正在發生什麼。相反，使用成像和單細胞RNA測序技術來了解單細胞水平上發生的事情。這會產生大量資料，將使用一種深層神經網路對其進行處理，以消化和識別存在的細胞型別以及它們如何受到影響。

允許研究人員做的是針對不同細胞型別之間的相互作用。當研究腫瘤微環境時，這是關鍵，因為它包含許多彼此相互作用的細胞型別。透過一起培養和試驗這些細胞型別，但將它們作為個體進行分析，能夠觀察細胞-細胞反饋以及不同細胞產物之間的相互作用，並確定其中哪些可能導致疾病。

基於AI識別腫瘤基質的藥物靶標

為什麼要研究和靶向腫瘤基質？

Briskin博士解釋說，腫瘤基質是腫瘤學領域特別理想的靶標，因為它積極參與在腫瘤周圍建立免疫抑制或免疫排斥的環境，從而阻止了它們對免疫療法的有效反應。他說，這些通常是預後最差的腫瘤，並補充說一些例子包括胰腺癌，結直腸癌，前列腺癌和乳腺癌子集。

多細胞培養和AI在此應用中有何幫助？

為了有效地研究腫瘤基質，Phenomic開發了一個平臺，該平臺使用深度學習工具來分析實驗資料並消除多細胞分析中靶標抑制作用的影響。迄今為止，這已使研究人員能夠識別腫瘤基質中的新靶標並開發抗體療法，他們希望將其推進臨床前研究中。腫瘤基質是一個複雜的結構，富含許多細胞型別，包括基質蛋白和成纖維細胞，它們相互作用產生免疫抑制性微環境。為了瞭解和開發用於腫瘤基質的藥物，需要多細胞模型和多組學方法。

藥物研發中使用AI

Cooper說，這一領域令人興奮，自從1980年代首次出現以來，人工智慧已經發展了很多。其在藥物發現中的當前用途分為三個不同的組：

最早的應用是設計化合物或蛋白質，現在有大量使用高階機器學習(ML)的公司湧入。出現的第二種方法是檢查大型臨床資料集並分析某種藥物是否可以使特定患者群體受益。使用ML分析大型實驗和組織資料集，以從分子水平幫助理解健康和疾病中的生物學。

未來用於藥物發現的AI的發展而言，Phenomic正處於使用它來探索蛋白質組學的邊緣，而除此之外，可能還在研究代謝組學和糖組學。這意味著資料集將變得更加豐富，甚至更有價值。

Cooper和Briskin得出結論，ML能夠從多細胞研究中消化大量資料集的能力意味著它正在成為增進對健康和疾病中細胞複雜相互作用的生物學認識的日益重要的工具。

參考資料

https://www.drugtargetreview.com/article/81483/artificial-intelligence-advancing-drug-discovery-the-future-is-multi-cellular-studies/