连线：癌症治疗方法就是海量基因数据

网易科技讯10月21日消息，《连线》网站发表文章称，癌症的治疗方法就是数据――海量的基因数据。数据集越庞大，疾病模型和预测工具就会越精确，越强大。但实际上，获取海量数据存在两大难题：规模化和知情同意。

以下是文章主要内容：

几年前，埃里克・斯凯德（Eric Schadt）遇到了一位身患癌症的妇女。她患上的是严重的结肠癌，癌细胞很快就转移到了她的肝脏。她来自密西西比州，丈夫死于战争，独自将两个女儿抚养成人。她唯一得到的医疗保健也就是丈夫给她带来的死亡福利――处在医疗保健阶梯最底层的军队医院的一位负担过重的肿瘤科医生。身患晚期转移性癌进入这样的医疗设施，实际上无异于回到人类基因图未被绘制的年代――在这样的年代，“结肠癌”被认为只有一种病因而非会导致特殊变异的数百万种病因，治疗方式是清一色的抑制剂，不管你是来自密西西比州的Ocean Springs，还是来自廷巴克图。那是没有大数据和机器学习的年代，又或者说是毫无希望的年代。

斯凯德当时刚刚在西奈山医院创立伊坎基因组学与多层级生物学研究所。当他听说那位来自密西西比州的妇女的情况时，他说，“那正是我们要接受的那一类病人。”他指的是那些现有医疗水准无法治愈的病患，与此同时，那些病患也等不及未来医疗技术的到来――超级计算机通过筛选分析海量的基因数据来发现模式，进而可能带来新的治疗方法。

斯凯德并非癌症专家，甚至称不上医生。他其实是数学家和分子和计算生物学领域的专家，他之前从未接收过任何的病患。但通过其在西奈山医院的新实验室，他会生成1TB有关该妇女的癌症的数据，寄望于找到新方法来帮助她对抗癌症。他一直坐在她的病床旁陪着她，内心感到很悲痛。他们变得很亲密，该此前从未接收过患者的科学家最终却亲眼目睹科学雄心和失败带来的影响。她于去年离世。

对于任何医学研究人员来说，当你要发表研究论文或者在开发药物的时候，你很容易就会变得乐观起来。然而，在斯凯德看来，当你看到你的研究成果的影响，眼睁睁看着人在你面前慢慢死去时，“你会体会到空前深刻的谦卑感。”

“我们正处在这种指数级成长曲线上，此时你的目光自然而然地投向未来，你会想：我们将会搞定这个问题。”他说，“最终，我们都将知道所有的这些细胞和扰动究竟是怎么一回事。而令人谦卑的是，正当我们处在这一成长曲线上，我们因为发现问题日益复杂而不断遭受打击。”

十年以来，我们一直在讨论基因测序和个性化医疗的潜力，以及计算机处理性能的提升和对个人基因组日益深入的理解即将将我们带到一个充满奇迹的时代。有理论认为，只要有足够多的数据，就不存在不能用药物控制的疾病。但斯凯德认为，那并不足以深入探索个人的DNA。这需要海量的数据来检测人群中的模式，应用机器学习技术，发现引起疾病的基因突变网络，以及相应进行解决。这些数据集越庞大，疾病模型和预测工具就会越精确，越强大。

如何获得海量数据

问题就在于，如何获得海量的基因数据。你不能跑去跟人家说，“请给我你的数据。”你必须要先说服他们你只将那些数据用于正当的用途，不会令其落入不当之人手中。接着，你必须要说服各家收集基因数据的医疗中心和基因公司：它们不应囤积数据谋取私利，而应当将其共享，让整个研究社区能够实现规模效益――取得不计其数的数据。斯凯德及众多其他研究人员认为，这是理解疾病原因和发明新治疗方式的必要条件。

目前研究人员还无法获得那种量级的数据。不过，从科技巨头到生物医疗创业公司的诸多公司正在争相解决这种规模问题。斯凯德也想要参与其中。

如果说人类生物学的复杂性类似于动画片，那么100年前我们对那种复杂性的理解大概只有1个像素。只有1个像素，你是无法理解整个故事的。但要是有更多的像素，数百个乃至数千个――又或者说像素总和的1%――那么模式和主题就会开始显现，故事的开头也就容易理解了。

正是这一想法促使斯凯德2011年在为默克公司（Merck）开发药品十年后创立伊坎基因组学与多层级生物学研究所。正当不少研究人员作出基于疾病与药品开发单一基因模式的假定，他则认为基因并不是单独发挥作用，而是在广泛的网络中促使疾病渗入我们身体的自然防御系统，我们可能只能够通过深入的生物信息探索来理解那些网络。

为了探索其复杂性模型，斯凯德带着投资家兼慈善家卡尔・伊坎（Carl Icahn）提供的资金来到西奈山医院，在地下室打造了一台名为Minerva的超级计算机，以便分析西奈山医院每年收集的数千组基因组数据。他聘请了其他的数量分析专家，其中包括Facebook首个数据团队的创办人杰弗里・哈梅巴赫（Jeffrey Hammerbacher）。据该医学院的一位备受尊崇的肿瘤科医生称，“突然之间，你周围多了不少这样的数学家，他们看上去本应从事视频游戏的开发。”

成立合资公司

斯凯德没多久便发现自己需要一个更大的组织。2014年，伊坎基因组学与多层级生物学研究所联手Sage Bionetworks创立了一家合资公司，尝试治疗170种罕见的儿童疾病，比如囊包性纤维症、镰状细胞性贫血和 家族黑蒙性痴呆。他们将其称作复原力项目（Resilience Project），研究人员着手寻找那些携带那些疾病的DNA变体，但因为某种预防注射而没有患病的人。在寻找这种“有复原力的人”的过程中，斯凯德及其团队利用收集自多个来源（包括23andMe、北京基因组研究所和麻省理工学院和哈佛大学共建的博德研究所）的数据积聚了一个涵盖60万人的基因数据池。这是当时规模最大的基因研究。

但在寻找那60万个数据组时，研究人员发现有些人仅对他们针对的170种疾病中的8种有复原力。研究规模还是太小了。通过计算引发疾病的基因突变在人口中的发生频率，斯凯德及其团队意识到，他们需要的样本数量并不是60万，而是1000万以上。尽管复原力项目背后有强大的运算技术支持，看似拥有充足的数据，但斯凯德还是缺少揭开复原力背后的遗传密码所需的高质量病患信息。

“我们需要100所西奈山医院来实现发现可引导你找到诊断和治疗方法的病患数据模式的规模。”斯凯德说道，“来到这里五年后，我认识到这一切不可能会在医疗中心内发生。它们之间太过疏远，竞争太大。它们并没有被编入一个可带来我们在几乎所有其它的行业都可以看到的那种进步的连贯的框架。”斯凯德说，由于大型医疗中心基本独占其病患的数据，也没有什么经济上的激励能够促使它们与其它机构在重要的研究领域展开合作，“行业的颠覆将会发生在传统医疗机构以外。”

那正是斯凯德成立自有的基因数据公司Sema4背后的目标。该位于纽约的合资公司将专注于收购和扩张致力于基因检测（如癌症患者筛选和非侵入性产前测试）的公司，以收集和共享数百万计的个人数据集。在Sema4可供搜索的平台上，医生将可以即时访问基因组数据库来帮助诊断病患。药品公司将需要付费使用该系统来寻找病患进行临床试验。随着分析工具组合因为计算机和机器学习算法变得愈发强大而得到强化，科学家们将终于得到足够的基因数据来进行雄心勃勃的研究。

规模化问题

尽管有好几家科技巨头在涉足生命科学领域，美国国立卫生研究院也在请求100万位志愿者帮助创建自有的大型生物数据库，但斯凯德认为，Sema4以及其它像它那样的创业公司（如克雷格・文特尔的Human Longevity和Patrick Soon-Shiong的Nant-Health）在实现基因数据的最优规模上是最专注的。虽然这些公司相互间将竞争收集更多的优质生物数据，但Sema4将会向全球各地的学术性医疗中心和不以盈利为目的的研究者免费开放其基因数据库，由此实现差异化。斯凯德说，要是Sema4的竞争对手需要从他的数据子集中获取信息，那它们只需付费即可访问Sema4的搜索平台。Sema4也愿意和其它的公司联手创建庞大的数据集来展开像复原力项目这样的项目。

不过，斯凯德指出，单纯靠企业汇集各自的数据并不能解决规模化问题。“关键在于从病患那里获得数据。”从他在西奈山医院的体验来看，他发现近年来接受其关于让医生了解自己特定问题的遗传素质利大于弊的观点的人明显增加了。他说，2011年他来到西奈山医院时，它一年筛查的基因样本数量为几千个。而今年，该数字可能将会攀升到15万，其中很大部分收集自纽约地区的病患。斯凯德说，在Sema4，“我们的目标是将每年收集到的样本数量扩大到50万。”

那种增长将会通过收购和扩张全球各地的基因检测公司来实现，它们大多数都相互独立运营，但都归属于Sema4。它们将会共同按照统一的安全和知会同意标准来创建巨大的基因信息网络。斯凯德坦言，让人们向一家匿名公司交出自己的生物数据绝非易事。尽管公共领域和私有领域在现代化现有数据网络和保障其安全性上投入了数十亿美元，但信息泄露事件还是时有发生。在Sema4，病患会被详细告知他们的数据将会被如何加密、匿名化和剔除可鉴别个人身份的信息。即便发生信息泄露事故，病患的身份被鉴别出来和曝光的概率都会极其低。

知情同意问题

另外还有知情同意问题――病患对于数据收集的详细理解和批准。这一问题会影响所收集到的数据的质量和数量。“目前，有些公司声称拥有数百万份的病患记录。”斯凯德解释道，“但从我们的用途角度来看，那些数据是毫无意义的。它们往往不精确，不完整，也不容易在各个系统之间关联起来。此外，那些数据通常都不包括DNA数据或者基于DNA数据生成的基因组数据。”以复原力项目为例，其问题并不只是数据样本太小――还包括60万份基因组数据基于不同的知会同意安排来管理的问题。要是有什么重大发现，那样就无法重新联系或者跟踪数十万的参与者，从实证研究的角度来看，那些数据因此就变得毫无意义。

当前，大多数的知情同意表都被设计得尽可能简略，而不是以让研究人员更容易获得高质量数据为目的。这种方式实际上加大了获得价值数据的难度。研究发现，知情同意表越具体，所带来的信息就越好，因为病患在了解研究目的的情况下会更加愿意参与后续的检验和访问。（这也有助于科学家对病患的健康状况进行长期的跟踪。）在Sema4，斯凯德采用多阶段的信息获取流程（其中包括强制性的小测验），进而让病患能够全面了解他们所同意的事项。这将会要求病患投入更多的时间，但斯凯德认为，随着理解的加深，更多的病患会同意分享他们的基因信息。

未来设想

斯凯德对于未来的设想是：随着这种数字基础设施的落位，越来越多的病患将不仅仅共享他们的基因组数据，还共享通过像血糖仪、血压追踪器和吸入器这样的监测设备收集得到的医疗和生活方式方面的信息。他希望，这些日益先进、日益病患友好的检测最终将会变得非常全面，使得他们的微生物组能够被定期测序，他们的RNA（核糖核酸）被频繁检查，他们的血细胞被不断监控是否存在患病迹象。

像西奈山医院这样的医疗中心如今在病患数据上所拥有的虚拟垄断权将会被彻底粉碎，研究人员将终于获得未来的医疗突破所需要的海量基因数据。“要是数据信息被更大范围地共享，让你可以利用全世界的力量去发展疾病模型，我们能够为人类的健康创造更多的福祉吗？”斯凯德说道，“当然能。”这是用数学来解决医疗问题，而不是仅凭臆测；任何的疾病，甚至包括晚期癌症，未来都有可能变得可以用药物控制。（皓慧）