聊聊Sci

这项研究介绍了一种名为 SiamCDR 的机器学习框架，旨在通过对比学习和孪生神经网络提高癌症药物反应预测的准确性。该方法通过整合药物基因靶点和细胞系转录组数据，生成了比传统方法更具生物学意义的特征表示，有效克服了医疗数据稀缺的难题。实验结果表明，该模型在为特定患者推荐个性化精准治疗方案方面显著优于现有的深度学习模型。此外，研究人员利用该工具成功识别出多种具有潜力的老药新用候选药物，可用于治疗膀胱癌和前列腺癌等难治性癌症。这种数据驱动的方法不仅能识别药物抗性信号，还为临床肿瘤精准医疗提供了强有力的决策支持。

References:

• Lawrence, P.J., Burns, B. & Ning, X. Enhancing drug and cell line representations via contrastive learning for improved anti-cancer drug prioritization. npj Precis. Onc. 8, 106 (2024). https://doi.org/10.1038/s41698-024-00589-8

前往小宇宙评论区与主播互动

这项研究介绍了 CTDPathSim2.0，这是一种通过整合多组学数据（包括基因表达、DNA甲基化和拷贝数变异）来评估癌症细胞系与患者肿瘤样本相似性的计算流程。研究人员通过去卷积算法处理肿瘤的异质性，并结合生物通路活性，为22种癌症类型建立了精细的相似性评分体系。结果表明，该工具在预测临床药物反应以及识别组织特异性细胞系方面优于现有的单组学方法。该成果已开发为 R 软件程序包，旨在帮助科研人员筛选最能代表人类肿瘤的实验模型，从而提高癌症精准医疗和药物研发的转化效率。

References:

• Bose, B., Bozdag, S. Identifying cell lines across pan-cancer to be used in preclinical research as a proxy for patient tumor samples. Commun Biol 7, 1101 (2024). https://doi.org/10.1038/s42003-024-06812-3

前往小宇宙评论区与主播互动

这篇文章综述了利用深度学习技术预测癌症药物协同作用的现状与前景。文章指出，协同用药相比单药治疗能有效增强疗效并降低毒性，而深度学习模型通过整合药物化学结构与细胞系多组学数据，显著提升了预测的准确性与效率。作者详细对比了单任务学习（侧重分支或图结构）与多任务学习（引入药物敏感性或相互作用作为辅助任务）两种核心架构。此外，文中梳理了主流的评价指标、开源数据库及在线分析平台，并提供了多模型在统一数据集上的性能评估。最后，文章探讨了当前面临的挑战，并建议未来研究应聚焦于细化特征表示、引入药物浓度参数以及开发新型辅助任务以优化模型表现。

References:

• Li, L., Zhang, H., Zheng, C. et al. A review of deep learning approaches for drug synergy prediction in cancer. npj Drug Discov. 2, 30 (2025). https://doi.org/10.1038/s44386-025-00034-1

前往小宇宙评论区与主播互动

这篇文章介绍了一种利用机器学习预测癌症患者药物反应的创新方法，旨在推动个性化医疗的发展。研究者通过分析患者来源的细胞培养物（PDC）对少量“探测药物”的反应，成功预测了整个药物库的疗效，克服了传统组学数据分析过于复杂的局限。实验结果显示，该模型在GDSC和PRISM等大型数据集以及临床活检样本上均表现出极高的准确性，能够高效筛选出高选择性药物。这种基于功能的预测模型不仅比动物模型更具成本效益，还能在短时间内为临床医生提供针对特定病患的精准用药方案。这种方法通过整合历史筛选数据，证明了跨组织类型的药物反应模式对个性化抗癌治疗具有重要参考价值。

References:

• Abdel-Rehim A, Orhobor O, Griffiths G, Soldatova L, King RD. Establishing predictive machine learning models for drug responses in patient derived cell culture. NPJ Precis Oncol. 2025 Jun 13;9(1):180. doi: 10.1038/s41698-025-00937-2. PMID: 40514399; PMCID: PMC12166088.

前往小宇宙评论区与主播互动

这篇研究介绍了一种名为 SAURON-RF 的机器学习框架，旨在提高癌症药物敏感性预测的可靠性。针对传统模型难以估算预测误差的挑战，作者引入了符合预测（Conformal Prediction）技术，为药物有效性提供具有数学严谨性的置信水平保障。研究还提出了一种基于临床相关浓度的全新衡量指标——CMax 细胞活力，有效解决了传统指标在不同药物间不可比的问题。通过结合回归与分类任务，该系统能够通过排除假阳性结果，精准地对特定癌症样本的候选药物进行优先级排序。实验表明，该方法在处理 GDSC 数据库时显著提升了预测精度，为个性化医疗中的临床决策提供了强有力的支持工具。

References:

• Lenhof K, Eckhart L, Rolli LM, Volkamer A, Lenhof HP. Reliable anti-cancer drug sensitivity prediction and prioritization. Sci Rep. 2024 May 29;14(1):12303. doi: 10.1038/s41598-024-62956-6. PMID: 38811639; PMCID: PMC11137046.

前往小宇宙评论区与主播互动

本文介绍了一种名为MutliSyn的多任务深度学习模型，旨在通过分析药物相互作用与集成多视图图数据来预测药物联合治疗的增效作用。该模型利用SMILE符号提取化学结构特征，并结合改进的图嵌入技术和癌细胞系基因表达数据，同时预测增效分值及其分类标签。为了提升预测精度，研究者引入了注意力机制来衡量药物间的影响，并采用交叉缝合算法（Cross-stitch）来实现不同预测任务间的知识共享。在对O’Neil癌症数据集的测试中，该模型在准确率、精确度及相关系数等关键指标上均超越了现有模型。这项研究为克服癌症耐药性提供了高效且低成本的计算方案，对临床转化和药物研发具有重要价值。

References:

• Monem S, Hassanien AE, Abdel-Hamid AH. A multi-task learning model for predicting drugs combination synergy by analyzing drug-drug interactions and integrated multi-view graph data. Sci Rep. 2023 Dec 18;13(1):22463. doi: 10.1038/s41598-023-48991-9. PMID: 38105262; PMCID: PMC10725868.

前往小宇宙评论区与主播互动

这项研究利用多光子荧光寿命成像技术（MP-FLIM），定量分析了小鼠大脑中星形胶质细胞内的钠离子（Na⁺）浓度。实验数据揭示了星形胶质细胞在细胞间及亚细胞结构层面均存在显著的生理异质性，打破了以往认为其钠水平是均匀分布的传统观点。研究发现，星形胶质细胞的胞体与突起之间存在明显的浓度梯度，且细胞群体呈现出双峰分布的特征。通过生物物理模型与药理学实验，作者证实这种异质性源于钠泵（NKA）亚单位的差异化表达以及局部离子交换的需求。这些发现表明，星形胶质细胞能针对其周围特定的神经网络环境，局部调整其稳态调节功能。总之，该研究证明了星形胶质细胞在功能上具有高度的空间特异性和复杂性。

References:

• Meyer J, Bornemann V, Bhattarai A, et al. Cellular and subcellular heterogeneity of astrocytic Na⁺ homeostasis tuning astrocytes into functionally distinct subgroups in the mouse brain[J]. Nature Communications, 2026, 17(1): 4515.

前往小宇宙评论区与主播互动

这项研究揭示了在脊椎动物进化过程中，TGFβ受体家族通过一种此前未被察觉的配体结合域（LBD）独立重复机制，实现了信号传导的精准调控。研究人员在鱼类、两栖类、鸟类及哺乳动物中发现了12次独立的LBD加倍事件，这些结构创新打破了该信号通路在后生动物中高度保守的传统认知。通过对斑马鱼、鸡和马等物种的分析，研究表明新增的结构域可以增强受体对配体的捕获能力，或作为抑制模块来微调信号强度。这种结构可塑性不仅赋予了特定组织更灵活的生理调节手段，还为理解脊椎动物体型发育和内稳态的进化演变提供了全新的分子维度。研究进一步证实，这种结构域的增殖是脊椎动物在基因组倍增背景下，实现功能进化与多样化的重要途径。

References:

• Knaus P, Jatzlau J, Kühlwein J, et al. Recurrent evolution of ligand-binding domain multiplicity fine-tunes TGFβ signaling in vertebrates[J]. 2026.

前往小宇宙评论区与主播互动

这项研究揭示了肠道微生物群通过肝脏长链非编码RNA SNHG9保护肝脏免受药物损伤的新机制。研究发现，由乳酸杆菌产生的代谢产物2-羟基-2-甲基丁酸 (HMB) 能显著诱导肝脏中 SNHG9 的表达。该RNA通过与蛋白 IMP2 结合，抑制促炎因子 MYC 的翻译，从而上调受体 MAS 的水平并增强细胞自噬，有效缓解对乙酰氨基酚引起的肝损伤。临床数据进一步证实，肝损伤患者体内 SNHG9 和 HMB 的水平与疾病严重程度呈负相关。这一发现不仅确定了肠-肝轴中的关键分子通路，还为预防和治疗药物性肝损伤提供了潜在的益生菌或代谢干预方案。

References:

• Bao W, Hang B, Zeng D, et al. Hepatic SNHG9 links gut microbiota to liver protection in drug-induced liver injury[J]. Nature Communications, 2026, 17(1): 4415.

前往小宇宙评论区与主播互动

这项研究揭示了VEGFR2受体在淋巴管发芽生长中不可或缺的作用。尽管传统的观点认为VEGFR3是淋巴系统发育的核心，但实验表明，单纯激活VEGFR2虽不能诱导生长，其缺失却会直接导致淋巴内皮细胞失去发芽能力。研究发现，VEGFR2与VEGFR3在细胞表面协同工作，并受PI3Kα信号通路调节，以维持淋巴管扩张与分支生长之间的平衡。通过高精度的条件性基因缺失实验，作者证明了缺乏VEGFR2的细胞在发育过程中会被正常细胞竞争淘汰。这一发现不仅完善了VEGF-C信号转导的理论框架，还为通过靶向VEGFR2药物治疗病理性淋巴管增生提供了新的医疗思路。

References:

• Schoofs H, Zhang Y, Ortsäter H, et al. VEGFR2 is required for VEGF-C–VEGFR3–PI3Kα-mediated sprouting lymphangiogenesis[J]. Nature Communications, 2026, 17(1): 4380.

前往小宇宙评论区与主播互动