深圳子科生物報(bào)道：Technion系統(tǒng)免疫學(xué)和精確醫(yī)學(xué)實(shí)驗(yàn)室等處的研究人員今天宣布推出一項(xiàng)開(kāi)創(chuàng)性的新模型，可以將數(shù)據(jù)從小鼠模型轉(zhuǎn)換為人類疾病。

這一研究成果公布在Nature Methods雜志上，小鼠對(duì)人體模型（Found In Translation，F(xiàn)IT）能夠更準(zhǔn)確和有效地推斷基于小鼠的研究結(jié)果，這是每個(gè)藥物發(fā)現(xiàn)和開(kāi)發(fā)計(jì)劃中至關(guān)重要的部分 。

我們對(duì)疾病的了解大部分源于使用小鼠模型進(jìn)行的研究，此外，每一種新藥首先必須通過(guò)小鼠實(shí)驗(yàn)，表現(xiàn)出一定程度的安全性和有效性。但小鼠畢竟不是人類，跨物種差異一直是將基于實(shí)驗(yàn)室的研究轉(zhuǎn)化為對(duì)患者和臨床醫(yī)生有意義的成果的主要障礙。

到目前為止，動(dòng)物模型尚未能系統(tǒng)揭示物種差異。為了克服這個(gè)巨大的問(wèn)題，世界首個(gè)用于人體免疫系統(tǒng)細(xì)胞水平模擬的機(jī)器學(xué)習(xí)平臺(tái)開(kāi)發(fā)商CytoReason，和Technion醫(yī)學(xué)院系統(tǒng)免疫學(xué)和精確醫(yī)學(xué)實(shí)驗(yàn)室的科學(xué)家們開(kāi)發(fā)了小鼠到人體模型。

研究人員在28種不同人類疾病的小鼠模型上進(jìn)行測(cè)試，證明了這種模型的表現(xiàn)優(yōu)于小鼠結(jié)果直接跨物種外推方法，在可預(yù)先鑒定的疾病條件下將差異表達(dá)基因的重疊增加20-50％。從而揭示了新的與疾病相關(guān)的基因，發(fā)現(xiàn)可能錯(cuò)過(guò)的信號(hào)，減少假信號(hào)，沒(méi)有實(shí)驗(yàn)成本。

“這是一個(gè)巨大的進(jìn)步。小鼠模型是在任何特定情況下試圖了解人類可能發(fā)生的必要，但有缺陷的方法，”Shai Shen-Orr教授說(shuō)，“我們已經(jīng)證明，我們可以顯著提高從這些模型中學(xué)到的東西的準(zhǔn)確性。這改變了整個(gè)動(dòng)態(tài)，在為特定藥物開(kāi)發(fā)增加了正確決策的信心。”

研究人員表示，小鼠對(duì)人體模型FIT清楚地證明了其揭示新型疾病相關(guān)基因的能力。它能預(yù)測(cè)了白細(xì)胞介素增強(qiáng)子結(jié)合因子3（ILF3）在炎癥性腸?。↖BD）患者結(jié)腸中與健康人相比的作用。

文章一作Rachelly Normand說(shuō)，“在過(guò)去的研究中，我們沒(méi)有看到任何與IBD有關(guān)的ILF3。然而，這項(xiàng)研究證明IBD患者結(jié)腸中ILF3與實(shí)驗(yàn)室檢測(cè)中的健康患者相比顯著增加，證實(shí)這是一個(gè)真實(shí)的，新穎的發(fā)現(xiàn)?！?

這個(gè)技術(shù)的核心是人類和小鼠模型數(shù)據(jù)集與具有可比條件的人類疾病數(shù)據(jù)集的配對(duì)，產(chǎn)生跨物種配對(duì)。對(duì)于每個(gè)物種中的每個(gè)跨物種配對(duì)，計(jì)算疾病和對(duì)照樣品之間的差異，然后將其用于研究不同的人和小鼠基因在相似條件下如何表達(dá)，再應(yīng)用到小鼠與人模型中。

要想將小鼠模型數(shù)據(jù)轉(zhuǎn)換為人體模型數(shù)據(jù)，需要遵循三個(gè)步驟：
1.計(jì)算每個(gè)數(shù)據(jù)集每個(gè)基因人類效應(yīng)的大?。?br /> 2.通過(guò)對(duì)數(shù)據(jù)進(jìn)行建模和重新采樣，學(xué)習(xí)基因級(jí)別的人與人之間關(guān)系的統(tǒng)計(jì)模型；
3.通過(guò)計(jì)算重新采樣產(chǎn)生的估計(jì)效應(yīng)大小的平均值來(lái)預(yù)測(cè)人類效應(yīng)大小

“這是一個(gè)真正的突破。許多似乎對(duì)小鼠有效的藥物在臨床開(kāi)發(fā)中都會(huì)失敗。這項(xiàng)技術(shù)將有助于彌補(bǔ)臨床前結(jié)果與臨床結(jié)果之間的差距” David Harel說(shuō)。

原文標(biāo)題：

Found In Translation: a machine learning model for mouse-to-human inference

https://www.nature.com/articles/s41592-018-0214-9