文章核心观点 Predictive Oncology在生物标志物发现、药物发现和药物再利用方面取得重大进展，其利用主动机器学习和生物样本库识别临床可行的废弃药物的新方法成果显著，未来可应用于其他废弃药物并利于与药企合作 [1][3] 分组1：公司进展 - 公司结合内部生物标志物识别平台与AI筛选能力，在生物标志物发现、药物发现和药物再利用方面取得显著进展 [1] - 运用主动机器学习和患者来源的解离肿瘤细胞生物样本库识别新适应症，是再利用废弃肿瘤药物的新且具商业可持续性的方法 [2] 分组2：药物筛选成果 - 对一小部分精选的废弃药物进行高效筛选，确定三种化合物值得在肿瘤适应症中进一步探索，公司利用主动机器学习和肿瘤样本生物样本库在不到12周内捕捉患者反应异质性的能力得到成功验证 [3] - 三种药物在卵巢和结肠肿瘤中效果显著，Afuresertib、Alisertib和Entinostat在这两种肿瘤类型中命中率最高，Alisertib和Entinostat在结肠肿瘤中表现优于奥沙利铂，Alisertib在乳腺癌中表现优于瑞博西尼 [4] 分组3：三种药物情况 - Afuresertib是一种Akt抑制剂，曾用于食管癌、多发性骨髓瘤研究，近期尝试与紫杉醇联合用于铂耐药卵巢癌 [5] - Alisertib是一种选择性Aurora A抑制剂，曾用于EGFR突变非小细胞肺癌和转移性乳腺癌研究，在卵巢和结肠肿瘤中基于湿实验室测试和AI模型显示出强烈肿瘤药物反应，目前正在复发性/转移性乳腺癌和肺癌临床试验中评估 [6] - Entinostat是一种HDAC1/3抑制剂，曾用于乳腺癌和胰腺癌等实体瘤类型研究，在公司结肠样本模型中有强烈肿瘤药物反应，目前正在非小细胞肺癌联合治疗和生物标志物开发临床试验中 [7] 分组4：药物研究方向 - 该药物类别曾被证明可诱导结直肠癌线粒体功能障碍，公司可结合高内涵成像（HCI）分析和专有HCI分析流程进一步探索 [8] 分组5：公司展望 - 公司下一步将把该方法应用于其他公开可用的废弃药物，且该方法有利于与药企合作，使废弃药物高效重返临床试验 [9] 分组6：公司简介 - 公司处于利用人工智能和机器学习加速早期药物发现和推动药物开发前沿，其AI平台PEDAL能92%准确预测肿瘤样本对药物化合物反应，拥有超15万个可检测的异质人类肿瘤样本生物样本库，提供广泛的基于AI的药物发现解决方案，并拥有全资CLIA实验室设施 [9][10]