几乎总是，癌症有多个共存的突变，这使得寻找治疗它们的药物变得非常困难。“我们太习惯于思考了。“哦，HER2 乳腺癌，赫赛汀”，但这是罕见的，”SEngine Precision Medicine 的联合创始人兼首席执行官 Carla Grandori 医学博士、博士在接受MD+DI采访时说。“大多数时候有多个驱动因素，多个弱点。”

SEngine 开发了一种新方法，可以使用机器人技术和机器学习为患有这些复杂癌症的个体找到靶向治疗方法。该公司 PARIS 测试的第一步是对癌细胞进行活检。这些细胞在 3D 环境中以正确的生理氧浓度保持活力，基本上是在培养皿中生长微型癌症。“这就是[与以前的技术]不同的地方，”Grandori 说。“我们已经进行了实验并定义了特定条件，以使癌症从 30 多种肿瘤类型中离体存活。”

下一步是将组织放入微量滴定孔中。PARIS 测试是在实验室中以机器人方式完成的，因为正如 Grandori 所说，“作为人类，我们犯了太多错误，而且需要花费一百倍的时间!

“一旦我们进行了检测，我们就会将 [样品] 暴露于一种试剂，该试剂会发出可测量的发光，并告诉我们在添加药物后有多少细胞存活，”她说，并指出多种药物浓度是用过的。她说：“我们一直非常非常小心地组装了一个拥有数百种肿瘤药物的最新药物库。” 该图书馆目前共有 250 种药物。

PARIS 测试的可操作性为 70%。“可操作意味着在 70% 的时间里，即使 [有] 患者已经用尽了他们的标准护理，我们也可以找到匹配的药物，”她说，并解释说，相比之下，DNA 测序的可操作性范围从低到 5到 7% 到最多 20%。

“我认为我们最独特的地方在于我们彻底改变了我们衡量药物反应的方式，”格兰多里说。她说，机器学习和其他指标包含在 PARIS 测试如何判断和排名每个患者离体癌细胞的药物反应中。

“这是一项重大进步，导致我们提出了一个分数和一系列类别，这些类别是提交给肿瘤学家的报告的一部分，”她说。“我们很高兴帮助患者和肿瘤学家确定潜在的治疗方法，尤其是在护理标准失败的情况下，或者在不同的护理标准药物之间做出决定。”

最近，Grandori 讲述的一个患者故事是一位患有晚期卵巢癌的女性，她接受了 PARIS 测试，并与一种以前仅被认为对淋巴瘤有用的药物相匹配。患者的癌症标志物 CA125 在治疗后 1 个月内下降了一半，并且在 6 个月后她就可以去度假了。

“这个故事告诉我们，有这些靶向疗法非常有效，而且毒性要小得多，”格兰多里说。“即使在这种肿瘤对广泛的化学疗法具有如此抵抗力的情况下。”

Grandori 最后说，除了为患者寻找匹配的药物外，她认为 PARIS 测试平台可用于预筛选实验药物以获取有关癌症适应症和预测药物反应的生物标志物的信息，并伴随临床试验，提高其成功率。“我们已经[与制药和药物开发商] 进行了一些合作，他们可能有一个临床前候选药物，并在 200 种源自患者的类器官中进行了测试，”她说。

Grandori 还认为，在未来，该技术可以扩展到适用于任何有细胞模型的疾病，例如心血管、神经系统或肌肉退行性疾病或血液系统疾病。