ESMO TAT Asia丨机器学习确定MMP2为晚期宫颈癌治疗反应相关的关键靶点

作者:肿瘤瞭望   日期:2025/7/21 16:18:38  浏览量:283

肿瘤瞭望版权所有，谢绝任何形式转载，侵犯版权者必予法律追究。

根据2025年ESMO靶向抗癌治疗亚洲大会上报告的一项研究（摘要号94O），研究人员利用转录组学和机器学习技术，确定内肽酶基质金属蛋白酶2（MMP2）是晚期宫颈癌的一个新的与治疗反应相关的靶点。

根据2025年ESMO靶向抗癌治疗亚洲大会上报告的一项研究（摘要号94O），研究人员利用转录组学和机器学习技术，确定内肽酶基质金属蛋白酶2（MMP2）是晚期宫颈癌的一个新的与治疗反应相关的靶点。^[1]

 

 

基于数据库中12名对放化疗有反应的宫颈癌患者和9名无反应者的转录组学数据，研究人员进行了主成分分析（PCA），并鉴定出143个差异表达基因。通过蛋白质-蛋白质相互作用（PPI）网络分析和随机森林模型，研究人员发现了重叠基因，从而揭示了一个由11个基因组成的生物标志物特征，可用于区分治疗有反应者和无反应者。

 

图：PPI网络分析与随机森林模型重叠的基因，揭示与治疗反应相关的生物学特征（2025年ESMO靶向抗癌治疗亚洲大会，摘要号94O）

 

研究人员通过总生存期分析确定的三个不良预后标志物——MMP2、ITGB6和CDKN2A，MMP2被优先确定为药物重定位（老药新用）的关键靶点。随后，基于与MMP2的结合亲和力对药物库进行筛选，发现坦度替尼（tandutinib）和卡博替尼（cabozantinib）是最具潜力的候选药物，它们有可能在无反应者中模拟有反应者的基因表达模式。

 

研究点评

 

“机器学习能够整合和审查海量数据以识别复杂模式，这在生物标志物研究领域极具威力，”来自西班牙巴塞罗那Vall d’Hebron肿瘤研究所的Raquel Perez-Lopez博士表示，“这项研究展示了如何将转录组学与机器学习相结合，在一个存在巨大未满足需求的领域识别新靶点。”但她同时提醒道，任何新靶点或生物标志物的识别只是一个漫长旅程的起点：“机器学习模型的一个潜在挑战是，它们通常会找到与你设定的目标相关联的模式。我们需要能够信任这些发现，这就要求我们更深入地理解所捕获信息背后的生物学原理及其应用背景。”

 

在探索坦度替尼和卡博替尼等潜在可重定位药物的疗效之前，需要在临床前研究中验证MMP2以确认其因果关系。一个重要的考虑点是，所识别的靶点可能仅对原始队列具有特异性，而在不同情境下可能无关紧要。“对于从小型数据集中识别出的任何靶点或生物标志物，在大型国际队列中进行前瞻性验证是强制性的，”Perez-Lopez总结道。

 

参考文献1.Satish KS，et al.Integrative transcriptomics and machine learning approach prioritises MMP2 as a treatment response associated target for drug repurposing in cervical cancer.ESMO Targeted Anticancer Therapies Asia Congress 2025，Abstract 94O

本内容仅供医学专业人士参考

相关搜索

宫颈癌