寻找可以杀死癌细胞而又不会破坏正常组织的药物是肿瘤学研究的圣杯。在两篇新论文中，加州大学旧金山分校和普林斯顿大学的科学家提出了补充策略，以“智能”细胞疗法来解决该问题，这种生命药物将保持惰性，除非由仅在癌细胞中一起出现的蛋白质组合触发。

在UCSF细胞设计计划和美国国家癌症研究所赞助的合成免疫学中心的Wendell Lim博士及其同事的实验室中，已经探索了这种通用方法的生物学方面已有数年的历史。但是，这项新工作通过将尖端的治疗性细胞工程与先进的计算方法相结合，为这项工作增加了强大的新维度。

在2020年9月23日于Cell Systems上发表的一篇论文中，Lim实验室的成员与普林斯顿Lewis-Sigler综合基因组学研究所和西蒙斯基金会的Flatiron研究所的计算机科学家Olga G.Troyanskaya，PhD的研究小组合作。该团队使用机器学习方法分析了在癌症和正常细胞中发现的数千种蛋白质的庞大数据库。然后，他们对数百万种可能的蛋白质组合进行了梳理，以建立一个组合目录，这些组合可用于仅精确靶向癌细胞，而不留其他正常癌细胞。

Lim及其同事在另一篇发表于2020年11月27日的《科学》杂志上的论文中，展示了如何将这种计算得出的蛋白质数据用于驱动设计有效且高度选择性的癌症细胞疗法的设计。

加州大学旧金山分校海伦·迪勒家族综合癌症中心的成员，也是细胞和分子药理学教授兼主席的林说：“目前，大多数癌症治疗方法，包括细胞疗法，都被告知要'阻止这种行为'或'杀死这种行为'。”“我们希望增加治疗细胞做出的决定的细微差别和复杂程度。”

在过去的十年中，嵌合抗原受体(CAR)T细胞已成为治疗癌症的有力方法。在CAR T细胞疗法中，免疫系统细胞是从患者的血液中提取的，并在实验室中进行处理以表达特定的受体，该受体将识别癌细胞上非常特殊的标记或抗原。

尽管科学家已经表明，CAR T细胞在白血病和淋巴瘤等血液癌症中非常有效，有时甚至可以治愈，但到目前为止，该方法在实体瘤(例如乳腺癌，肺癌或肝癌)中效果不佳。这些实体癌中的细胞通常与在其他组织中发现的正常细胞共享抗原，这冒着CAR T细胞通过靶向健康器官而可能产生脱靶效应的风险。同样，实体瘤也经常产生抑制性微环境，从而限制了CAR T细胞的功效。

对于Lim而言，细胞类似于分子计算机，后者可以感知周围环境，然后将这些信息整合以做出决策。他说，由于实体瘤比血液癌更复杂，因此“必须制造更复杂的产品”才能与之抗争。

在细胞系统研究中，由普林斯顿大学Troyanskaya团队的前研究生Ruth Dannenfelser博士和Lim实验室的临床研究员Gregory Allen博士领导，研究人员探索了公共数据库来研究该基因在正常细胞和肿瘤细胞中超过2,300个基因的表达谱进行分析，以了解哪些抗原可以帮助区分一个抗原。研究人员使用机器学习技术来找出可能的命中点，并查看哪些抗原聚集在一起。