随着药物基因组学的到来，机器学习研究正在进行中，以根据从先前收集的有关药物反应数据得出的算法来预测患者的药物反应，从而预测患者的药物反应。输入尽可能多地反映人的药物反应的高质量学习数据是提高预测准确性的起点。以前，使用动物模型的临床前研究与人类临床数据相比相对容易获得。

有鉴于此，由POSTECH生命科学系的Sanguk Kim教授领导的研究团队通过使用最接近真实人的反应的数据成功提高了抗癌药物反应预测的准确性，从而引起了人们的关注。该团队通过算法来开发这种机器学习技术，该算法从实际患者而非动物模型中获取人工类器官的转录组信息。这些研究结果于10月30日发表在国际期刊《自然通讯》上。

即使是患有相同癌症的患者，对抗癌药物的反应也不同，因此定制治疗被认为是治疗发展中的重中之重。然而，当前的预测是基于癌细胞的遗传信息，限制了它们的准确性。由于不必要的生物标记信息，机器学习存在基于错误信号进行学习的问题。

为了提高预测准确性，研究团队引入了机器学习算法，该算法使用可以与靶标蛋白质以及与药物靶标直接相关的单个蛋白质的转录组相互作用的蛋白质相互作用网络。它诱导学习功能上与目标蛋白质接近的蛋白质的转录组产生。这样，仅学习选定的生物标记，而不是常规机器学习必须学习的虚假生物标记，从而提高了准确性。

此外，来自患者的类器官的数据(而非动物模型)用于缩小实际患者的反应差异。通过这种方法，预计接受5-氟尿嘧啶治疗的结直肠癌患者和接受顺铂治疗的膀胱癌患者与实际临床结果相当。

预计这些研究结果将有助于确定新的抗癌药物的机制，并为患者实施精确的个性化医疗服务。这项研究是在POSTECH人工研究所(GSAI)研究生院，中层职业研究人员计划和优先研究所计划的支持下，通过国家研究基金会(NRF)和韩国科学和信息通信技术部进行的。