从血液样本到扫描和可穿戴设备，此次审查跟踪了人工智能模型检测到有希望的疾病信号后发生的情况。
评论：疾病生物标志物发现中的人工智能：诊断和治疗机会。图片来源： 奥特曼斯克/Shutterstock
在该杂志最近发表的选择性评论中 信号转导和靶向治疗作者如何研究人工智能（人工智能）支持跨疾病的生物标志物发现、验证、生物学解释、临床实用和治疗整合。
背景
一个有前途的生物标志物需要的不仅仅是强大的预测能力才能在患者护理中发挥作用。生物标志物可以帮助识别、分类和指导健康问题的治疗，尽管许多在初步研究中表现良好的候选者无法在独立队列中重现或改善临床决策。与此同时，生物标志物研究依赖于测量的组合，包括基因组、转录组、蛋白质组、代谢、成像、细胞、循环和数字数据。
人工智能可以整合这些数据并识别多层次模式，但偏差、混乱、数据异质性、过度拟合和弱外部验证可能会限制翻译。作者呼吁建立可重复的、生物学相关的、临床适用的和可评估的生物标志物。
生物标志物数据的类型
生物标志物的发现跨越许多领域，包括分子、细胞、循环、成像和数字生物标志物。在分子领域，研究人员使用基因组学、表观基因组学、转录组学和蛋白质组学等方法。
多组学策略整合了这些层，而单细胞和空间方法保留了细胞和组织背景。细胞生物标志物捕获免疫激活、退化、谱系变化、炎症过程和组织环境。中性粒细胞胞外陷阱将先天免疫激活与血管损伤、血栓形成和组织损伤联系起来。
循环生物标志物提供了一种评估疾病生物学的微创方法。信号如游离脱氧核糖核酸（游离DNA），其中含有循环肿瘤DNA、游离核糖核酸（cfRNA）、蛋白质和代谢物，以支持在适当的临床环境中进行疾病检测和监测。它们的临床价值取决于分析前处理、分析灵敏度、肿瘤负荷、治疗时间和患者特征。
细胞外囊泡含有反映其来源细胞并促进细胞间通讯的分子信号，但分离方法、污染物、量化标准和实验室差异使其作为生物标志物的使用变得复杂。
成像生物标志物提供有关组织结构和功能的信息。放射组学和计算成像评估计算机断层扫描、磁共振成像、正电子发射断层扫描和数字病理学的特征，但必须控制扫描仪差异、采集协议、分割和站点间协调。
来自可穿戴设备、智能手机和环境传感器的数字生物标记可以捕获睡眠、移动性、自主生理学和症状。设备异质性、不完整的数据、行为混淆和社会经济偏见都是令人担忧的问题。
用于生物标志物发现的人工智能方法
当数据集包含许多变量但内容很少时，经典机器学习非常有用。正则化回归、支持向量机和树集成可以识别候选生物标志物，但泄漏、重复调整、基于结果的选择和不一致的解释会产生过于乐观的结果。
深度学习对于非线性和结构化数据（例如图像、数组和图形）非常有用。表征学习可以生成可重用的嵌入，而自我监督学习则利用未标记的数据来完成需要跨设置传输的任务。
多模态机器学习集成了成像、实验室测量、纵向临床数据和其他来源。可转移实践可以使用大型电子健康记录数据集来支持小型配对组学和临床队列。
图神经网络可以对基因、蛋白质、通路、药物和表型之间的关系进行建模，并将生物结构纳入学习中。
在大型生物数据集上训练的基础模型可以为涉及组学、药物发现和生物分析的任务提供可重复使用的表示。这些模型还可以对批次、祖先或位点信号进行编码，如果研究人员不控制它们，这些信号就会显示为生物标记。
生成和模拟辅助模型可以提出候选特征、分子状态、扰动响应、途径假设和可能的机制。此类输出首先应被视为假设而不是证据。
需要内部一致性、外部复制、跨人群和平台的稳定性测试以及具有临床意义的益处来进一步推进候选药物。描述性方法可以支持审核和透明度，但不能替代生物学验证或实验测试。
机械人工智能和临床翻译
大多数人工智能衍生的生物标志物都是相关的：它们识别与结果相关的模式，但没有确定这些模式发生的原因。此类标记物对于风险分层仍然有用，但当标记物用于指导治疗或确定治疗目标时，机制证据很重要。
机械人工智能涉及因果结构，将特征与生物途径、网络、扰动数据或疾病过程联系起来。通路调节模型可以对已知的信号传导关系进行编码，但来自集群规则间隔短回文重复实验、药物反应测定和细胞因子刺激的扰动数据集有助于区分因果因素和下游相关性。
因果表征学习寻求与干预一致的特征，但观察数据很容易受到无法测量的混杂因素和疾病随时间变化的影响。
通路状态生物标志物可以比离散分子丰度测量更有效地捕获功能活动。他们预测相互作用的分子网络的行为，而不是测量单个成分。
本文讨论了雷帕霉素、丝裂原激活蛋白激酶、核因子 kappa B 和 Janus 激酶信号转导器和转录途径激活剂的磷酸肌醇 3-激酶-蛋白激酶 B 机制靶标。
中性粒细胞胞外陷阱提供了另一个例子：它们反映了炎症和凝血过程之间的相互作用，但它们在指导治疗方面的价值仍有待测试。
机械方法可以支持治疗反应分类、患者分层、试验丰富和治疗目标优先排序，但可接受的目标仍然需要实验和独立验证。
验证和实施
作者提出了一条涵盖发现、外部验证、不同条件下的测试、临床实用和部署的开发路径。
跨独立群体和子群体的外部验证是必要的，因为创新绩效可能被高估。
评估不应局限于曲线下面积等判别性措施，还应包括决策分析、工作流程集成和患者结果。当生物标志物指导治疗选择、剂量或临床试验丰富时，前瞻性研究尤其重要。
常见的障碍包括数据异质性、有限的队列变异、不完整的生物学注释、报告不一致、数据集漂移、治疗相关的混杂以及与临床工作流程的整合不足。
该审查提出了统一的数据收集、前瞻性多中心验证、透明的报告以及测量稳定性、校准、公平性和临床效用的标准化评估。
结论
该评论得出的结论是，人工智能可以通过整合分子、细胞、成像、循环和数字数据来识别疾病特征，从而扩大生物标志物的发现。然而，仅靠准确的估计并不能确定临床价值。生物标志物还需要可重复的测量、独立测试以及其使用改善护理的证据。生物学假设应该指导多模式整合，而实验必须测试所提出的机制。
作者将前瞻性研究、统一数据、透明报告、标准化评估、监管协调和跨学科合作确定为从发现环境中推进治疗开发和临床决策的优先事项。
期刊参考：
- Dinc, R. 和 Ardic, N. (2026)。疾病生物标志物发现中的人工智能：诊断和治疗的可能性。 信号转导和靶向治疗11、407。 数字编号： 10.1038/s41392-026-02946-4,
Leave a Reply