一项新研究显示，一种新型机器学习工具能够快速筛选数千种化合物，找出那些可将癌细胞推入永久衰老状态的物质，为难治性癌症带来新希望。
发表在《Aging-US》期刊上的研究描述了瑞安·华莱士和克莱奥·L·毕晓普开发的机器学习方法，该方法通过细胞形状分析快速识别促衰老药物，从而加速难治性p16阳性肿瘤的发现进程。
细胞衰老是一种自然状态，其中受损或老化细胞永久停止分裂。
在癌症治疗中，故意将肿瘤细胞推入衰老状态提供了一种无需直接杀死细胞即可阻止其生长的方法。
挑战在于如何可靠确认那些已呈现“老化”特征的癌症（即所谓Sen-Mark+肿瘤，如基底样乳腺癌）中的衰老现象，因为传统生物标志物在此类情况下常失效。
为解决这一问题，研究人员华莱士和毕晓普开发了SAMP-Score，这是一种完全绕过传统标志物的机器学习工具。
该工具通过分析细胞形状和结构的微观变化来识别衰老状态，这些独特模式被称为衰老相关形态特征谱（SAMPs）。
经过数千张图像训练后，该模型现在能准确区分真实衰老与单纯毒性或正常变异，提供了一种快速、可视化的筛选方法，用于检测能将癌细胞推入永久休眠的化合物。
研究人员在研究报告中表示：“该技术基于我们先前的观察：衰老细胞会发展出独特的衰老相关形态特征谱（SAMPs），这些特征可在衰老识别的传统难题场景（包括高通量筛选）中轻松评估。”
当团队使用SAMP-Score筛选超过10,000种实验化合物时，发现一种名为QM5928的化合物能在多种癌细胞类型中诱导衰老，但不会杀死细胞。
研究人员认为该化合物值得进一步研究。QM5928的独特之处在于它对已知药物（如帕博西尼）耐药的癌症有效——后者在p16高表达的癌症中效果不佳。
研究报告指出：“通过应用SAMP-Score，我们识别出QM5928这一新型促衰老化合物，它能诱导多种Sen-Mark+癌症进入衰老状态，并有望作为工具分子探索这些细胞中衰老诱导的机制和通路。”
通过将机器学习与高分辨率成像相结合，研究人员提供了一种检测和评估癌症疗法的新方法。
SAMP-Score可能为利用人体自然衰老过程对抗癌症的疗法铺平道路，尤其适用于治疗耐药性肿瘤患者。
【全文结束】
