治療智能公司Genialis將於2026年歐洲腫瘤學會（ESMO）大會上，展示其生物優先模型即使在有限病人數據下，仍能預測治療反應的數據。這些模型在三種不同癌症類型及治療方案中，於少於70名病人的群組內，展現卓越的預測表現，解決了開發精準腫瘤學預測生物標誌物的基本挑戰之一。
臨床試驗數據量小。早期研究通常招募相對較少的病人，對傳統建模方法提取有意義的預測訊號構成挑戰。然而，藥物開發商必須就管線推進及病人篩選標準作出關鍵決定，這往往在獨立驗證數據可用之前。
ESMO 2026海報 AP圖片
腫瘤RNA測序（RNA-seq）分析約測量20,000個基因；若有50名病人，傳統深度學習模型或會識別出統計噪音，而非有意義的生物訊號。自成立以來，克服這種「維度詛咒」一直是Genialis預測建模方法的核心。
Genialis Supermodel是一個大型癌症生物學分子模型，經數十萬個轉錄組樣本訓練。該Supermodel將RNA測序（RNA-seq）中數萬個獨立基因表達測量值，轉化為具生物學意義的「生物模塊」，每個模塊代表癌症生物學的一個基本方面，包括致癌訊號傳導、免疫激活及DNA損傷反應。透過在模型訓練前，將分子數據的複雜性簡化為可解釋的生物學特徵，Genialis能從相對較少的病人群體中開發預測生物標誌物，同時深入了解驅動治療敏感性及耐藥性的生物學機制。
ESMO海報（摘要編號8664）評估了這種方法在三種不同癌症類型數據集中的應用，這些數據集規模與早期臨床研究典型規模相符：包括41名接受抗PD-1治療的黑色素瘤病人治療前RNA-seq數據、45名接受派姆單抗治療的胃癌病人，以及66名接受索托拉西布治療的KRAS G12C突變非小細胞肺癌（NSCLC）病人。在嚴格的保留測試下，生物模塊模型在每個群組中均優於匹配的基因表達模型。在非小細胞肺癌中，生物模塊預測索托拉西布反應的AUROC值為0.8，而最佳基因表達模型僅為0.6；預測有反應的病人中位治療持續時間為337日，而無反應者為178日。每次預測均附帶生物學依據，預測的非小細胞肺癌有反應者顯示出MAPK成癮生物學特徵，而無反應者則表現出PI3K旁路程序。
從小型群組到單一病人應用：Sid Sijbrandij個案研究。
GitLab聯合創辦人Sid Sijbrandij於2022年11月確診骨肉瘤，這是一種美國每年約有1,000人確診的罕見骨癌。當他癌症復發且標準治療方案用盡時，Sijbrandij組建團隊，尋求一種非凡的方法來了解及治療他的疾病。該團隊將他們所謂的「最大化診斷」與個性化實驗性療法結合，並在osteosarc.com上收集及公開分享了超30TB的Sid臨床及分子數據。
Genialis回顧性分析了由三間臨床實驗室在超25個月內，從不同樣本中生成的四個腫瘤RNA-seq文庫。即使原始基因表達數據不可比較，Supermodel仍能對四個樣本進行一致的生物學比較。透過將每個樣本的生物學與治療假設聯繫起來，該分析展示了研究人員如何在獲得額外樣本時重新審視這些假設。Genialis預計，隨著精準腫瘤學向更小、更精確定義的病人群體發展，並最終實現為個別病人量身定制的治療策略，這種方法將變得越來越有價值。
Genialis行政總裁兼聯合創辦人Rafael Rosengarten博士表示：「對於面對罕見癌症的病人及處理有限病人數據的研究人員而言，比較隨時間收集的樣本中腫瘤生物學的能力，為疾病研究及開發治療假設開闢了新機會。ESMO的研究結果與Sid的個案研究共同證明，生物優先人工智能有潛力從有限的病人數據中提取有意義的見解，無論是針對臨床群組還是單一病人的癌症歷程。」
Genialis透過其癌症生物學Supermodel提供治療智能。公司開發及驗證具臨床可行性的人工智能模型，這些模型以全球種族最多樣化的癌症數據集為基礎，旨在預測病人反應，並指導靶向抑制劑、免疫療法及其他新興治療類別的治療決策。Genialis獲製藥及診斷合作夥伴信賴，共同透過數據轉變醫學。公司總部設於侯斯頓、波士頓及盧布爾雅那。
（美聯社）
