2026年6月22日——对于被诊断为神经母细胞瘤的儿童来说，治疗之路并不简单。神经母细胞瘤是最常见的婴幼儿癌症，因早期神经细胞失控生长而引发。某些类型的神经母细胞瘤会自行消退，而其他类型则需要积极干预。研究人员曾尝试根据单基因突变来匹配患者与治疗方案，但效果有限。这是因为患者的预后取决于其包含数百万甚至数十亿个特征的完整分子背景，例如来自组织和血液的DNA和RNA。

“这远不止一个基因那么简单，患者细胞内发生的所有一切都至关重要，”犹他大学科学计算与成像研究所生物医学工程副教授、亨斯迈癌症研究所癌症控制与人口科学组成员Orly Alter表示。

当前的人工智能和机器学习（AI/ML）方法需要海量训练数据，具体来说，所需的患者样本数量要远超基因特征数量。这使得它们难以适用于大多数临床试验中的患者预后预测，因为临床试验通常仅招募20到100人。例如，一个针对COVID-19病毒3万个核苷酸基因组的大型语言模型需要约1.1亿个样本。如果将其应用于30亿核苷酸的人类基因组，传统AI方法将需要33万亿名患者。

通过利用量子力学的数学原理，Alter及其合作者开发出一种新型AI/ML技术，能够改善治疗选择和药物成功率。他们的研究成果发表在《应用物理快报》（APL Quantum）期刊上。

数十亿分子特征

“我们的量子方法使我们能够在每一层数据中找到相关信息，例如除了患者肿瘤之外，还可以从他们的血液中获取信息，”Alter说。“即使患者数量非常少，我们仍然可以全面分析他们的数百万到数十亿个分子特征，并从中理解其意义。因此，我们能够理解疾病机制并预测药物靶点，从而改善患者的预后。我们还通过实验验证了AI/ML对靶点和预后的预测结果，这被广泛视为生物技术领域的‘圣杯’。”其团队部署了一套名为“多张量比较谱分解”的算法，该算法建立在纠缠和叠加的量子力学概念之上。就像棱镜将白光分解成不同颜色一样，这种方法将患者的多层分子数据——例如肿瘤和血液基因组以及肿瘤（或驱动癌症生长的RNA信息）——分解成能够预测健康结果的关联模式。

Alter及其团队通过对神经母细胞瘤病例的开源数据进行分析来演示该技术。这些算法发现了两个能预测患者在接受治疗后预期寿命的新指标，并且这些指标在肿瘤和血液DNA以及肿瘤RNA方面始终优于标准生物标志物。这些发现适用于在不同时间和不同医院接受治疗的多个独立儿童群体，这意味着该方法可应用于普通人群，从而为患者护理和药物开发提供更清晰的路线图。

开发更具针对性的治疗方法

“神经网络模型是黑箱，但我们的预测指标是可解释的；它们指向疾病机制，并建议通过靶向哪些基因来使肿瘤对治疗更敏感，”Alter说。她的团队还利用基因编辑工具CRISPR-Cas9，在临床试验和临床前研究中实验验证了他们对成年胶质母细胞瘤患者预后和药物靶点的预测。

作为计算医学专家，Alter在犹他大学人类遗传学系担任兼职职务。她创立的大学衍生公司Prism AI Therapeutics, Inc.利用这些算法和预测指标，帮助生物技术和制药公司更好地开发药物，通过识别哪些患者最能从临床试验中获益，以及应该靶向哪些基因以进一步改善预后。

展望未来，Alter希望随着团队继续深入研究，他们能够将这项技术应用于个体患者。“这就是终极的精准医学，”她说。“面对一个单独的患者，你能仅从这一个人的数据出发，为他们制定出治疗方案吗？我认为我们可以做到。”Alter还期待应对其他挑战。“这些算法完全与数据无关，在医学之外也可能有无限的应用，”她提到可持续能源是其中一个可能性。

这项研究于6月22日以“基于量子力学的多张量AI/ML能够独特地从小队列、高噪声、高维多组学数据中发现、验证和解释预测指标”为题发表在《应用物理快报》（APL Quantum）期刊上。合著者包括Elizabeth Newman（塔夫茨大学）、Sri Priya Ponnapalli（Scale AI, Inc.）和Jessica W. Tsai（洛杉矶儿童医院与南加州大学凯克医学院）。

该研究得到了美国国立卫生研究院（NIH）和国家癌症研究所“用于个性化癌症诊断和预后的多张量分解”物理科学肿瘤学项目、美国国家科学基金会（NSF）和美国数学研究所“AIM Q”量子研究社区项目、Musella基金会与StacheStrong合作项目、NIH主任办公室、NSF数学科学部、Alex's Lemonade Stand基金会、Rally基金会以及与Griffin's Guardians合作的St. Baldrick's基金会的支持。