近日，一项刊登在国际杂志CellReports上的研究报告中，来自宾夕法尼亚大学的研究人员通过研究表示，作为新兴的精准医疗研究领域，将来自癌症患者肿瘤的特殊遗传信息与疗法选择进行有效匹配或许无法有效鉴别出所有对特殊疗法能够产生反应的患者，而来自患者的其它分子信息或许就能够揭示这些所谓的“隐藏反应者”。

研究者CaseyGreene表示，靶向性序列能够帮助寻找携带特殊突变且能对抗癌药物非常易感的个体，但很多人群常常会缺失这些突变，因此机器学习技术（machinelearningapproaches）或许就能够改善这种状况，帮助研究人员治疗患者进行合适的治疗。文章中，研究人员利用机器学习技术对肿瘤中的异常蛋白质活性进行分类，这种人工智能能够帮助开发出特殊的计算机程序，利用新型数据来学习并且进行决策制定，研究人员所开发出的算法能够在癌症基因组图谱(TCGA)中进行搜索，将来自33种不同癌症类型的遗传数据进行整合，同时研究者Greene及其同事还能利用转录组学的信息进行深入分析。

研究者能够将这种模型特异性地应用于Ras通路，该基因家族能够制造控制细胞复制和死亡的蛋白质，正常功能的Ras蛋白的改变常常会促进癌细胞生长和扩散，同时这些突变也被认为是一种无成药性的Ras（undruggableRas），其抑制了很多研究抑制剂药物和基于疫苗疗法的开发进程。

研究者Greene表示，在TCGA中，这种模型是基于来自人类肿瘤的遗传数据来运行的，其能够预测机体对特定抑制剂的反应，而这些抑制剂则能够影响癌症细胞系中过度表达Ras信号通路的癌症，长期以来转录组学在肿瘤学研究中的精准性被研究人员忽略了，但当与机器学习技术相结合后就能够帮助科学家们有效鉴别出一些“隐藏反应者”。

目前研究人员正在联合研究来筛选特殊的化合物来靶向作用携带异常Ras活性的肿瘤组织，同时研究人员还希望能通过机器学习技术对这些肿瘤数据进行分析来寻找哪些患者能够因潜在的癌症药物而获益。最后研究者Sanchez表示，对于能够使得个体实时受益的精准医学而言，我们必须开发出强大的模型来有效检测潜在疗法的效应，如今研究人员就能够利用机器学习指导的药物发现结合手段来帮助有效鉴别出Ras活性失控的肿瘤，并且有效评估和实施比较多种癌症疗法的效应。