Nature Med | 精准癌症护理的范式转变：预测性肿瘤学的数字孪生体

原创 榴莲不酥 图灵基因 2021-12-12 14:34

收录于话题#前沿分子生物学技术

撰文：榴莲不酥

IF=53.440

推荐度：⭐⭐⭐⭐⭐

亮点：

本文确定了一个创新性的具有持续生命周期的癌症患者数字孪生（CPDT）框架，通过使用先进的电子设备和生物技术来动态反映不同治疗和时间的生理和生活方式状态。CPDT可持续解释不断演变的癌症状态和供体的免疫系统，以减少临床决策中固有的不确定性，从而改善结果和患者与临床医生之间的互动，更好的服务于当前的医疗体系。

2021年11月25日，在Nature Medicine杂志上发表了一篇名为“Digital twins for predictive oncology will be a paradigm shift for precision cancer care”的文章，提出了一种先进的具有持续生命周期的癌症患者数字孪生（CPDT）框架，使用CPDT进行个体化患者护理决策对于推进预测性肿瘤学具有巨大潜力。CPDT可以帮助构建现有医疗系统，更好地应对实时公共卫生状况，解决医疗需求。

在医学领域，数字孪生模型的使用可改变实时数据来调整治疗、监测反应和追踪生活方式。同样，癌症患者数字孪生 (CPDT) 使用先进的电子设备和生物技术来动态反映不同治疗和时间的生理和生活方式状态，Tina Hernandez-Boussard教授团队提出了一个创新性的具有持续生命周期的 CPDT 框架。

早在2019年，美国国家癌症研究所、能源部、多个政府国家实验室以及学术和工业合作伙伴联盟在癌症研究和先进计算的交叉点形成了展望癌症挑战的计算创新（ECCIC）社区，以构建寻找加速预测性肿瘤学的方法——CPDT 的想法开始发展。Tina Hernandez-Boussard教授说道，他们所提议的CPDT框架是指将蛋白质组和临床特征等个体水平的数据与临床试验和人群研究等其他因素相结合，以创建用于模型训练的多尺度和多模式数据库。为了确保快速、全面的数据集成，必须根据可查找性、可访问性、互操作性、可重复的公平性原则并跨越不同人群收集数据，以确保所有患者都能从中平等受益。

该团队解释说CPDT的一个革命性概念是它能够将生物组织的大小和时间尺度联系起来，以应对跨越整个患者体验的变化，从几纳秒的分子水平到几十年的人口水平。随着患者身体状态的变化，他们的CPDT必须结合观察数据以表示患者的当前状态，并对未来状态转换进行可靠地预测。各种癌症相关过程存在一系列多尺度模型，设想中的CPDT需要通过调整现有的模拟、模型推理、数据同化和高性能计算技术来连接尺度和过程，以便建立和测试大规模的实时动态模型。在整个开发过程中以及完成后，技术验证和严格的软件工程最佳实践对于确保未来CPDT系统的可靠性至关重要。

通过扩展当前使用数学模型预测和规划治疗的重点试点研究，可以预见临床团队将使用未来的CPDT进行虚拟实验，在当前护理标准和治疗变化的情况下，在不进行治疗的情况下模拟模型变化。每次模拟都将根据这些数据预测患者癌症的轨迹。在每次临床模拟中，将对所选治疗的先前预测与患者的最新测量结果进行比较，以评估数字孪生的性能。然后，新的测量值将被容纳以更新患者的CPDT，并且该过程将重新开始。CPDT必须集成到医疗工作流程中使医生和患者能够通过直观的可视化探索治疗方案以实现临床效用。仪表盘需要优化，以免给临床医生带来负担或干扰患者的护理体验。

图1：癌症患者数字双胞胎生命周期

CPDT通过增加每次选择最佳治疗的可能性，开创医学的新时代。选择最佳标准包括患者的护理目标以及客观的临床终点。在不同人群中平等和公平的CPDT表现对于他们成功地融入临床实践至关重要。CPDT从潜在偏差数据中学习时容易产生偏差，这反映了现有医疗体系的不平等。因此，必须严格控制和严格标准以确保CPDT不会强化先前存在的偏差。

CPDT从基于回顾性数据和持续学习过程的患者模型模板开始，持续性的学习最大限度地提高了预测能力，同时考虑了测量中的不确定性和可变性、缺失数据和不完整的机械知识。从实际部署中系统地积累CPDT将使成百上千的CPDT队列能够用于电子临床试验和人群研究。目前虽然关键性技术正在迅速发展，但仍存在巨大阻碍。举CPDT的一个例子，如可能涉及一名急性髓细胞白血病患者，该患者接受了来自匹配供体的造血干细胞移植。对于疾病复发的患者，最好的治疗方案可能涉及多种药物和免疫疗法的联合治疗。从收集的骨髓和外周血中获得的患者宿主和肿瘤基因组以及其他多组学测量可用于对各种临床情况进行更新预测，包括药物组合、剂量和持续时间或无作用的决定，然后以直观的形式呈现给患者和医生。CPDT将持续解释不断演变的癌症状态和供体的免疫系统，以减少临床决策中固有的不确定性，从而改善结果和患者与临床医生之间的互动。

因目前技术的限制，CPDT的完全实现只有在实验、计算和临床社区的贡献下才能成功。开发CPDT是先进计算技术与肿瘤学融合的一大挑战，使用CPDT进行个体化患者护理决策对于推进预测性肿瘤学具有巨大潜力。通过进一步开发、完善并最终应用于临床实践，CPDT有望彻底改变癌症和其他许多复杂疾病的治疗和管理方式。CPDT提供的远不止是单个患者的预测，如患者轨迹、决策、结果以及预测与现实之间的匹配或不一致将为研究投资提供宝贵的证据，使决策者能够将资源用于最有效的治疗中。CPDT可以帮助构建现有医疗系统，更好地应对实时公共卫生状况，解决医疗需求。

作者介绍

TinaHernandez-Boussard副教授于1991年在加州大学欧文分校获得心理学和生物学双学士，于1993年获得耶鲁大学公共卫生学硕士并于1999年获得法国里昂克劳德伯纳德大学计算生物学博士。现在是斯坦福大学医学（生物医学信息学）、生物医学数据科学、外科和流行病学等领域的副教授。研究方向集中在生物医学信息学、卫生服务研究和流行病学领域。在目前研究的项目中，TinaHernandez-Boussard副教授开发和评估人工智能技术，以准确和有效地监测、测量和预测医疗结果。并开发了有效捕获异构数据源的基础设施，将这些不同的数据转换为知识，并使用这些知识改善患者结果、医疗保健服务和指导政策。

参考文献

Hernandez-Boussard, T., Macklin, P.,Greenspan, E.J. et al. Digital twins for predictive oncology will be a paradigmshift for precision cancer care. Nat Med (2021).