麦吉尔大学的研究人员开发了一种人工智能工具，能够识别出导致恶性癌症扩散的关键小细胞群。该工具名为SIDISH，通过显示肿瘤内部哪些细胞与患者不良预后关联最紧密，更清楚地告诉科学家该怎么设计靶向药，省得走弯路，而非将所有癌细胞视为行为相同。
在一项发表在《自然通讯》上的临床前研究中，SIDISH用从患者那儿取的肿瘤样本，在实验室里分析后，成功识别出胰腺癌、乳腺癌和肺癌中的“高风险”细胞。
这工具是怎么起作用的？
SIDISH的关键创新在于它将单个细胞内发生的情况与患者预后联系起来，这是癌症研究中长期存在的挑战。
"单细胞数据非常详尽，但通常仅来自少数患者，且很少包含这些患者的实际预后情况。另一方面，患者数据通常是在整体层面，包含生存信息，但把数百万个细胞的信号给平均了，掩盖了那些很少见、却最要命的细胞，"麦吉尔大学医学系博士生、论文第一作者亚斯敏·乔拉桑表示。
现有的计算工具一直很难把这两种数据有效地融合起来。
"我们的工具在两者之间架起了一座桥梁。它能识别出哪些细胞跟疾病进展快不快、患者活多久关系最紧密，"乔拉桑说。
她补充道，虽然SIDISH最初在癌症中测试过，但同样的方法可以应用于其他复杂的疾病，在这些疾病中，细胞之间的差异起着关键作用。
SIDISH是“半监督迭代深度学习，用于识别高风险单细胞群体”的缩写。
实验室测试前预测药物靶点
除了能找出问题所在之外，SIDISH还能模拟当特定基因被开启或关闭时，高危细胞会如何反应，从而帮助预测哪些基因可能成为有潜力的药物靶点。
论文资深作者、麦吉尔大学医学系助理教授兼健康中心研究所初级科学家丁俊表示：“这可能解决药物开发中的一个主要瓶颈，因为寻找正确的靶点通常需要多年的反复试错。”
例如，他说，通过单细胞测序分析患者的肿瘤后，SIDISH能识别出驱动肿瘤的细胞，并模拟它们对不同药物的反应，从而列出一份最有希望起效的治疗方案清单。
丁俊说：“短期内，SIDISH可以帮助我们利用公共数据集将现有FDA批准的药物用于新用途。长远来看，它有望彻底改变新药的发现模式。”
该工作尚处于开发阶段，还没用在临床上。研究团队目前正在将 SIDISH 应用于更多疾病，并和业界伙伴联手进一步优化该方法。
更多信息： Yasmin Jolasun 等人，《SIDISH 整合单细胞和整体转录组学，通过计算机模拟扰动识别高风险细胞并指导精准治疗》，Nature Communications (2025)。 DOI: 10.1038/s41467-025-66162-4
热门跟贴