在癌症治疗领域，每年都有许多新药进入临床试验，但最终只有不到4%的药物能够获得美国FDA的批准。癌症的复杂性和肿瘤对药物的反应机制难以预测，导致许多新药在临床试验中失败。传统的药物开发方法需要大量的时间和资源，而人工智能，尤其是深度学习技术的引入，为预测癌症细胞对药物的反应带来了新的希望。

近年来，虽然基于人工智能的模型在癌症药物反应预测中的应用逐渐增多，传统的黑箱模型虽然能够提供一定的预测准确性，但其结果往往缺乏可解释性，难以被临床医生接受。在4年前，加利福尼亚大学圣地亚哥分校（UCSD）的Ideker实验室提出了解决方案，大家熟知的Cytoscape分析平台就出自这里。Ideker实验室的研究人员开发了一种名为DrugCell的深度学习模型，旨在通过整合癌症细胞的基因组信息和药物的化学结构，实现对药物反应的精确预测，并提供对其生物机制的解释。今天让我们再次回顾一下这项技术。

DrugCell模型的训练数据来自两个主要的癌症药物筛选数据库：Cancer Therapeutics Response Portal (CTRP) 和 Genomics of Drug Sensitivity in Cancer (GDSC)。该数据集包含1,235种癌细胞系对684种药物的反应，总计超过50万对细胞系-药物组合的数据点。DrugCell模型的核心是将人类细胞的层次结构与深度学习模型相结合，从而提高预测的准确性和可解释性，这也是后来许多模型所借鉴的地方。

DrugCell采用了一个具有两个分支的神经网络架构。

1  可视化神经网络 (Visible Neural Network, VNN) 用于模拟细胞的基因突变对药物反应的影响。DrugCell 从Gene Ontology (GO) 数据库中选取了2,086个生物过程，并将这些过程映射到神经网络的不同层级。例如，较底层的节点可能表示小型蛋白复合物（如β-catenin破坏复合物），而较高层的节点则表示更大范围的信号通路（如MAPK信号通路）或细胞功能（如糖酵解）。同时进行神经元嵌入，每个生物过程都通过6个神经元来表示其状态，这些神经元之间的连接模拟生物系统的层次结构。通过对输入层（基因突变状态）进行建模，模型可以逐层推导出细胞整体的状态。

2  人工神经网络 (Artificial Neural Network, ANN) 用于分析药物的化学结构对细胞的影响。通过摩根指纹（Morgan Fingerprint）将药物化学结构被转化为一种二维向量，即摩根指纹，以表示其分子特征。这些特征被输入到ANN中，通过三层神经网络逐步提取药物的化学属性。最后VNN与ANN的输出结果在整合层相结合，生成特定细胞基因型对某种药物的反应预测值。该预测值以AUC（药物浓度-反应曲线下面积）来衡量，反映药物的治疗效果。

在模型训练中，DrugCell使用了五折交叉验证方法，确保模型的稳定性和泛化能力。最终，该模型在预测药物反应方面达到了Spearman相关系数ρ为0.80的高精度。此外，为了验证模型的可解释性，研究人员还通过实验检测了DrugCell预测的细胞内通路与实际生物实验结果的一致性，如MAPK信号通路和细胞周期调控等。

DrugCell不仅在癌症细胞系中展示了出色的预测能力，还成功地预测了患者源性异种移植模型（PDX）的药物反应。通过对乳腺癌患者数据的分析，DrugCell能够有效区分对mTOR抑制剂和CDK4/6抑制剂有反应的患者，显著提高了治疗的有效性和患者的无进展生存期。

更重要的是，DrugCell模型能够识别药物之间的协同效应。例如，通过分析DrugCell预测的细胞通路，研究人员发现抑制糖酵解途径可以显著增强紫杉醇（paclitaxel）的治疗效果。

左侧显示各细胞系的基因型嵌入图，蓝到红的渐变表示对紫杉醇（paclitaxel）的反应。瀑布图显示与紫杉醇反应相关性最强的前 5% 的子系统（x 轴），按照 RLIPP 分数（y 轴）排序。与代谢通路相关的子系统用红色高亮显示。选取瀑布图中高亮显示的子系统，并展示其在 DrugCell 模型中的子层次结构。红色用于标识与糖酵解调控相关的分支。cAMP 反应子系统嵌入图。每个点代表一个细胞系，蓝到红的渐变表示对紫杉醇的反应。A427 细胞在不同处理条件下的相对细胞活力的箱线图，包括 DMSO、紫杉醇、2-脱氧葡萄糖 (2-DG) 或联合用药（以指定浓度）。数据基于生物学和技术三次重复实验结果。箱线表示四分位距（IQR），中位数用线条穿过箱线；须线代表不超过 1.5 倍 IQR 的数据范围。*p < 0.0001，来自 t 检验。

DrugCell模型的成功应用为癌症治疗带来了新的前景，通过分析患者的基因突变数据，DrugCell可以帮助医生制定更精准的治疗方案，选择最有效的药物组合。DrugCell的可解释性使其能够帮助研究人员快速筛选出具有潜力的新药物，并预测其在不同癌症类型中的疗效。利用DrugCell预测的细胞通路信息，可以设计出更有效的药物组合，从而提高癌症治疗的效果。

DrugCell的出现为深度学习在精准医学中的应用提供了全新的思路。其可解释性模型不仅提升了预测准确性，还能深入挖掘药物反应的生物机制，为未来的个性化治疗和新药开发奠定了基础。在人工智能和生物医学不断融合的今天，DrugCell无疑是精准医疗领域的重要里程碑。