PNAS | AI引導的微流體技術(shù)在癌癥免疫治療篩查中的應用

原創(chuàng)?楠煙不可言?圖靈基因?2022-11-22 09:48?發(fā)表于江蘇

收錄于合集#前沿分子生物學技術(shù)

撰文：楠煙不可言

IF：12.779

推薦度：?????

亮點：

本文報告了一個自動化的高通量微流體平臺，用于同時跟蹤具有可調(diào)基質(zhì)組成的3D腫瘤培養(yǎng)物中T細胞浸潤和細胞毒性的動態(tài)。通過使用基于臨床數(shù)據(jù)驅(qū)動的深度學習方法的臨床腫瘤浸潤淋巴細胞（TIL）評分分析儀，這一平臺基于T細胞浸潤模式的評分來評估每種治療的療效，通過使用該技術(shù)篩選藥物庫。這是一種用于篩選免疫細胞-實體瘤相互作用的自動化系統(tǒng)和策略，能夠用于發(fā)現(xiàn)免疫療法和聯(lián)合療法。

近日由印第安納大學郭峰研究組《PNAS》雜志上分別發(fā)表了名為“Microfluidics guided by deep learning for cancer immunotherapy screening”的研究文章。免疫細胞浸潤和細胞毒性在炎癥和免疫治療中起著關(guān)鍵作用。然而目前的癌癥免疫治療篩查方法忽視了T細胞穿透腫瘤基質(zhì)的能力，從而嚴重限制了實體瘤有效治療。為了了更好地理解3D環(huán)境中的免疫細胞行為，研究人員開發(fā)了一個自動化的高通量微流體平臺，該平臺能夠?qū)崟r成像免疫細胞浸潤動態(tài)并殺死目標癌細胞，使用臨床數(shù)據(jù)訓練了一種深度學習算法，并將該算法與我們的微流體平臺集成，以有效識別促進T細胞腫瘤浸潤的表觀遺傳藥物，并在體外和體內(nèi)增強癌癥免疫治療效果。該平臺可廣泛應用于腫瘤學、免疫學、神經(jīng)學、微生物學、組織工程、再生醫(yī)學、轉(zhuǎn)化醫(yī)學等領(lǐng)域。

有效的免疫系統(tǒng)對于對抗癌癥至關(guān)重要。然而，免疫逃避是癌癥的關(guān)鍵特征之一。在腫瘤發(fā)展過程中，淋巴細胞浸潤腫瘤并抑制其進展。腫瘤免疫治療的新思路，如免疫檢查點抑制劑（ICI），其消除了T細胞介導的抗腫瘤免疫的“剎車”，使實體瘤治療可能取得更好的結(jié)果。

然而，癌癥患者對使用ICI藥物的治療方案的反應差異很大，ICI治療的無效性主要歸因于有限的TIL浸潤，因此，基于TIL行為的方法可能成為發(fā)現(xiàn)有效免疫療法和/或聯(lián)合療法的重要工具，這些療法不僅提高T細胞毒性，而且同時促進T細胞向腫瘤浸潤。本研究報告了一種基于免疫療法發(fā)現(xiàn)的T細胞行為（如腫瘤浸潤）的高通量自動化系統(tǒng)。它可以同時審查T細胞浸潤行為和細胞毒性，通過相對簡單但有效的柱狀點陣陣列設(shè)計，為藥物發(fā)現(xiàn)應用提供了可擴展、標準化和可調(diào)的“核心/腫瘤外殼/基質(zhì)”球體。

自動篩選系統(tǒng)的集成。這一智能微流體篩選系統(tǒng)包含兩個組件（1）?微流體免疫腫瘤相互作用平臺：包括7680個均勻大小的異型腫瘤球體。每個球體由一個均勻的腫瘤核心和基質(zhì)外層組成，代表原發(fā)性腫瘤的基本特征。該平臺能夠在不同處理條件下，對大量球體內(nèi)的免疫細胞動態(tài)行為進行灌注、自由相互作用和延時跟蹤。（2）基于深度學習的TIL評分分析儀：通過結(jié)合自動圖像采集和基于圖像的篩選，深度學習TIL評分算法使用臨床數(shù)據(jù)進行訓練，該平臺可處理來自微流體平臺的大量T細胞行為數(shù)據(jù)。隨后，將微流體平臺與基于深度學習的TIL評分分析儀集成，以產(chǎn)生一個自動篩選系統(tǒng)，以確定免疫細胞行為，并以高通量和自動化的方式篩選免疫治療藥物（圖1A）。研究人員制作了可縮放的均勻尺寸的3D核心/腫瘤外殼/基質(zhì)球體，每個板的大量球狀體可以在一個井內(nèi)的柱狀晶格陣列內(nèi)形成；它們在第3天達到最大直徑，并通過柱狀點陣陣列設(shè)計以均勻尺寸被捕獲（圖1B-C）

追蹤3D培養(yǎng)物中的動態(tài)T細胞行為。通過延時成像，我們的微流體平臺以單細胞分辨率跟蹤T細胞與腫瘤基質(zhì)球體的動態(tài)相互作用，同時利用熒光蛋白使腫瘤抗原特異性T細胞與腫瘤的相互作用可視化，并量化了t細胞在腫瘤球體內(nèi)的動態(tài)遷移和殺傷行為。通過使用該工程平臺和細胞系統(tǒng)，研究人員同時跟蹤了單個T細胞的腫瘤浸潤和細胞毒性的動態(tài)過程，研究了由UN-KC6141細胞組成的腫瘤核心上的抗原（OVA）呈遞以及外殼/CAF的基質(zhì)層對免疫腫瘤相互作用動力學的影響（圖2）。

使用臨床數(shù)據(jù)庫培訓基于深度學習的TIL評分分析儀。為了處理大量圖像的數(shù)據(jù)，跟蹤固定在我們微流體平臺中的許多球體上的T細胞行為，研究人員開發(fā)了一種基于深度學習的TIL評分分析儀。該分析儀由圖像處理器、深度學習算法和分類器組成。研究人員集成了一個圖像處理器，通過將實體腫瘤的H&E圖像數(shù)字化為紅色（淋巴細胞）和藍色（腫瘤）的雙色圖來提取TIL圖。接下來，研究人員訓練了基于深度學習的TIL評分分析器，以根據(jù)臨床患者生存數(shù)據(jù)對TIL浸潤進行評分。分析儀使用深度卷積神經(jīng)網(wǎng)絡(luò)從訓練雙色圖中提取TIL的特征，并將其與離散患者生存時間相關(guān)聯(lián)（圖3A）。

表觀遺傳藥物篩選。該方法建立后，研究人員通過篩選具有表觀遺傳活性的藥物庫，在概念驗證應用中測試運行了我們的智能微流體篩選系統(tǒng)。篩選系統(tǒng)分兩步進行篩選：（1）藥物細胞毒性篩選，（2）?免疫治療篩選。（圖3B）

根據(jù)篩選結(jié)果，研究人員藥物GSK-LSD1（LSD1的小分子抑制劑）的TIL評分為0.6，顯著高于陽性對照組評分。為了進一步研究GSK-LSD1單獨和聯(lián)合治療的療效，研究人員同時追蹤了T細胞的浸潤和細胞毒性。聯(lián)合治療提供了最大的浸潤深度、浸潤T細胞的數(shù)量和細胞毒性T淋巴細胞的數(shù)量。GSK-LSD1治療增強了T細胞浸潤，并與抗PD1治療聯(lián)合促進了深度浸潤和細胞毒性（圖4）。

為了驗證先前的體外結(jié)果，研究人員在B16F10同基因腫瘤模型中測試了候選藥物，研究人員探究了GSK-LSD1單獨治療和與抗PD1聯(lián)合治療的抗腫瘤作用。GSK-LSD2治療組中發(fā)現(xiàn)中度腫瘤生長抑制，當GSKLSD1治療與抗PD1治療聯(lián)合應用時，觀察到更大的腫瘤生長抑制。與對照或抗PD1治療的小鼠的腫瘤相比，浸潤到GSK-LSD1治療的腫瘤中的CD8+T細胞數(shù)量明顯更高。體內(nèi)試驗進一步驗證了體外篩選結(jié)果，證明了自動篩選系統(tǒng)可以識別有效的T細胞腫瘤浸潤促進劑，并將其轉(zhuǎn)化為體內(nèi)結(jié)果（圖5）。

總而言之，該研究開發(fā)了一個自動篩選系統(tǒng)的原型，并基于通過深度學習識別的T細胞腫瘤浸潤特征，展示了用于篩選治療實體瘤的免疫治療化合物的概念驗證應用。該系統(tǒng)可在基礎(chǔ)研究和轉(zhuǎn)化醫(yī)學中找到廣泛應用，以治療自身免疫性疾病、神經(jīng)炎性疾病、免疫應答受損等。

教授介紹

郭峰，智能系統(tǒng)工程系助理教授，研究興趣集中在開發(fā)基于微流體、聲學和AI的智能生物醫(yī)學設(shè)備、傳感器和系統(tǒng)，用于自身免疫疾病、腦科學和癌癥的轉(zhuǎn)化應用。

參考文獻

Zheng Ao, Hongwei Cai, Zhuhao Wu et al. Microfluidics guided by deep learning for cancer immunotherapy screening (2022).https://www.pnas.org/doi/abs/10.1073/pnas.2214569119