十月11,2016

机器学习技术有助于识别癌细胞类型

布朗研究人员训练了一种计算机算法,可以在实验室样本中发现与更具侵略性的癌症相关的细胞转变。图片来源:Wong Lab /布朗大学

美国国立卫生研究院,罗德岛医院COBRE癌症研究开发中心,罗德岛基金会医学研究资助计划,杰森和唐娜·麦格劳·魏斯

布朗大学的研究人员开发了一种新的图像分析技术,以区分与肿瘤进展相关的两种关键癌细胞类型。该方法可以帮助临床前筛查癌症药物,并阐明与更多恶性和耐药性癌症有关的细胞变态。

上皮-间质转化(EMT)是一个过程 变得更具侵略性 。间充质细胞数量较多的肿瘤通常更具恶性,对药物疗法也更具抵抗力。这项新技术将显微成像与机器学习算法结合在一起,可以更好地识别和区分实验室样品中的两种细胞类型。

布朗的病理生物学研究生课程的博士生,描述该技术的论文的主要作者苏珊·莱格特(Susan Leggett)说:“我们知道,肿瘤内部存在着这些不同的细胞类型相互作用,并且治疗方法可以不同地靶向这些细胞。” “我们已经开发出一种模型,该模型可以自动,无偏地选择这些细胞类型。我们认为,这可以帮助我们更好地了解这些不同细胞类型对药物治疗的反应。”

该技术在发表于 整合生物学.

一般而言,两种细胞类型可以通过它们的形状来区分。上皮细胞的外观更加紧凑,而间质细胞的整体外观和细胞核外观则显得更加细长和尖刺。

布朗的工程学助理教授,该研究的资深作者伊恩·Y·王说:“在最极端的情况下区分这两者并不难。” “但是有时候形状差异是细微的,人类可能很难识别出差异,这使得对两者的分类有点武断。这里的创新是我们可以训练计算机来挑选出那些更细微的差异。”

该训练是通过在培养皿中培养的上皮细胞系(人类乳腺癌的模型)进行的。研究人员激活了一种称为Snail的转录因子,众所周知该因子可导致这些细胞迅速经历极端形式的EMT。在转换之前和之后成像的那些细胞用作训练集,以教授该算法区分两种细胞类型。

研究人员表明,经过训练,该算法能够进行分类 无论是上皮还是间质,准确率均超过92%。

然后,研究小组使用该算法分析了经过EMT训练的细胞集,这些细胞集的学习途径比训练集中的研究少。他们用一种名为TGF-beta1的化合物处理上皮细胞,该化合物可促进细胞快速生长,并被认为可诱导EMT。他们表明,生长因子诱导EMT的速度比训练组慢,并且产生了微妙的细胞形态变化。尽管如此,该算法仍能够以较高的置信度对EMT之后的细胞进行分类。

在第三个实验中,研究人员观察了用化学疗法紫杉醇治疗的上皮细胞。最近的研究表明,当以亚致死剂量给药时,紫杉醇和其他药物可在无法杀死的细胞中诱导EMT。通过这种方式,药物实际上可以引发肿瘤,使其更具耐药性。

实验发现,虽然亚致死紫杉醇可形成一系列细胞形状,但该算法可将其中超过70%的细胞分类为间质。

Wong说,这是一个初步发现,需要更多的研究才能完全理解。但这可以揭示肿瘤如何对紫杉醇和其他药物产生抗药性。

Wong说:“耐药性的获得和随后的肿瘤复发仍然知之甚少。” “这项工作表明,EMT可能是使肿瘤变得更有抵抗力的一种机制。”

随着更多的发展,研究人员认为他们的技术可以提供筛选癌症药物有效性的新手段。

Wong说:“当我们进行药物的初步实验室测试时,我们将细胞放在平板上,使用该药物,看看有哪些生命和死亡。 “这可以使我们对这种药物的作用有更细微的了解,并帮助我们了解亚致死剂量是否可以引发细胞产生抗药性。”

Wong说,这项研究的另一个有趣的结果是,尽管该算法以很高的可信度对大多数细胞进行了分类,但是每个实验组中约有10%的细胞似乎无法进行分类。研究人员说,这可能表明中间细胞类型介于上皮和间质之间。

“人们想知道是否可能有两个以上 Wong说,“目前我们不能肯定地说,但我们可能会选择第三种。这是我们将来的工作中要考虑的事情。”

更多信息: Susan E. Leggett等。上皮-间质转化的形态学单细胞分析, 整数生物学 (2016)。 DOI:10.1039 / C6IB00139D

期刊信息: 整合生物学

由...提供 布朗大学

加载评论 (0)