正如达尔文的雀鸟为适应自然选择而进化，癌症肿瘤中的细胞也通过抵抗选择压力来生存、演变并扩散。肿瘤实际上是由复杂细胞群组成，具有独特的结构和可变性。

如今，人工智能和机器学习工具为揭示肿瘤在基因、表观遗传、代谢及微环境层面进展的普遍规律提供了前所未有的机会。

麻省理工学院（MIT）生物系、Koch综合癌症研究所及医学工程与科学研究所的助理教授Matthew G. Jones，正利用计算方法构建预测模型，试图“与癌症下棋”，理解肿瘤如何演变并抗拒治疗，最终目标是改善患者预后。以下是他的访谈内容。

问：您目前主要研究肿瘤进展的哪些方面？

答：癌症中一个常见现象是患者初期对治疗有反应，但随后疗效减弱甚至失效。这主要是因为肿瘤具备极强且复杂的演变能力，包括基因组变化、蛋白信号通路调整及细胞动态变化。肿瘤作为一个系统，其结构也会发生演变。患者最终败给肿瘤，往往是因为肿瘤演变到了我们无法控制的状态，或者演变路径难以预测。

从某种角度看，癌症既极度失调和无序，又拥有自身不断变化的内在逻辑。我的实验室核心假设是肿瘤在空间和时间上遵循一定的模式，我们希望通过计算和实验技术解码这些分子过程。

我们聚焦于肿瘤通过一种称为染色体外DNA（extrachromosomal DNA，ecDNA）的DNA扩增方式进行演变。ecDNA是从染色体上切除出来的环状DNA，独立存在于细胞核中。

ecDNA最早于1960年代被发现，曾被认为在癌症中罕见。但随着2010年代下一代测序技术在大规模患者群体中的应用，研究发现ecDNA扩增不仅赋予肿瘤更快适应压力和治疗的能力，而且其普遍性远超预期。

目前我们知道，约25%的癌症，尤其是脑癌、肺癌和卵巢癌等侵袭性强的癌症中存在ecDNA扩增。研究显示，ecDNA扩增能够改变肿瘤演变的规则，使其以令人惊讶的方式加速向更具侵袭性的疾病发展。

问：您如何利用机器学习和人工智能研究ecDNA扩增及肿瘤演变？

答：我希望将实验室的研究成果转化为改善患者生活的实际应用。我们从患者数据出发，探索各种进化压力如何驱动疾病发展及突变产生。

我们使用的工具之一是单细胞谱系追踪技术，它允许我们研究单个细胞的谱系。当我们采样某个细胞时，不仅能了解其特征，还能（理想情况下）准确定位肿瘤历史中何时出现了关键的侵袭性突变。这段进化历史为我们提供了观察动态过程的窗口，帮助我们理解如何拦截肿瘤的演变。

我希望未来能更好地分层患者，预测谁会对某些药物有反应，提前识别并克服药物耐药性，发现新的治疗靶点。

问：是什么吸引您加入MIT社区？

答：MIT吸引我的是其在工程和生物科学领域的卓越融合。Koch研究所的每一层楼都设计成促进工程师与基础科学家之间的交流合作，波士顿大区丰富的生物医学研究资源也为我们提供了广泛的合作机会。

此外，MIT非常重视教育和学生培养，我坚信学术研究的核心是培养下一代科学家，这也是学术与工业研究的根本区别。

我一直致力于将计算与实验技术结合，招募那些渴望跨学科合作、解决重大科学问题的学生。Koch研究所为这种混合型实验室提供了理想环境——我的计算实验室紧邻实验操作室，促进了合作与交流，这也体现了研究所的整体愿景。