2022-11-22

PNAS | AI引导的微流体技术在癌症免疫治疗筛查中的应用

原创 楠烟不可言 图灵基因 2022-11-22 09:48 发表于江苏

收录于合集#前沿分子生物学技术

撰文：楠烟不可言

IF：12.779

推荐度：⭐⭐⭐⭐⭐

亮点：

本文报告了一个自动化的高通量微流体平台，用于同时跟踪具有可调基质组成的3D肿瘤培养物中T细胞浸润和细胞毒性的动态。通过使用基于临床数据驱动的深度学习方法的临床肿瘤浸润淋巴细胞（TIL）评分分析仪，这一平台基于T细胞浸润模式的评分来评估每种治疗的疗效，通过使用该技术筛选药物库。这是一种用于筛选免疫细胞-实体瘤相互作用的自动化系统和策略，能够用于发现免疫疗法和联合疗法。

近日由印第安纳大学郭峰研究组《PNAS》杂志上分别发表了名为“Microfluidics guided by deep learning for cancer immunotherapy screening”的研究文章。免疫细胞浸润和细胞毒性在炎症和免疫治疗中起着关键作用。然而目前的癌症免疫治疗筛查方法忽视了T细胞穿透肿瘤基质的能力，从而严重限制了实体瘤有效治疗。为了了更好地理解3D环境中的免疫细胞行为，研究人员开发了一个自动化的高通量微流体平台，该平台能够实时成像免疫细胞浸润动态并杀死目标癌细胞，使用临床数据训练了一种深度学习算法，并将该算法与我们的微流体平台集成，以有效识别促进T细胞肿瘤浸润的表观遗传药物，并在体外和体内增强癌症免疫治疗效果。该平台可广泛应用于肿瘤学、免疫学、神经学、微生物学、组织工程、再生医学、转化医学等领域。

有效的免疫系统对于对抗癌症至关重要。然而，免疫逃避是癌症的关键特征之一。在肿瘤发展过程中，淋巴细胞浸润肿瘤并抑制其进展。肿瘤免疫治疗的新思路，如免疫检查点抑制剂（ICI），其消除了T细胞介导的抗肿瘤免疫的“刹车”，使实体瘤治疗可能取得更好的结果。

然而，癌症患者对使用ICI药物的治疗方案的反应差异很大，ICI治疗的无效性主要归因于有限的TIL浸润，因此，基于TIL行为的方法可能成为发现有效免疫疗法和/或联合疗法的重要工具，这些疗法不仅提高T细胞毒性，而且同时促进T细胞向肿瘤浸润。本研究报告了一种基于免疫疗法发现的T细胞行为（如肿瘤浸润）的高通量自动化系统。它可以同时审查T细胞浸润行为和细胞毒性，通过相对简单但有效的柱状点阵阵列设计，为药物发现应用提供了可扩展、标准化和可调的“核心/肿瘤外壳/基质”球体。

自动筛选系统的集成。这一智能微流体筛选系统包含两个组件（1） 微流体免疫肿瘤相互作用平台：包括7680个均匀大小的异型肿瘤球体。每个球体由一个均匀的肿瘤核心和基质外层组成，代表原发性肿瘤的基本特征。该平台能够在不同处理条件下，对大量球体内的免疫细胞动态行为进行灌注、自由相互作用和延时跟踪。（2）基于深度学习的TIL评分分析仪：通过结合自动图像采集和基于图像的筛选，深度学习TIL评分算法使用临床数据进行训练，该平台可处理来自微流体平台的大量T细胞行为数据。随后，将微流体平台与基于深度学习的TIL评分分析仪集成，以产生一个自动筛选系统，以确定免疫细胞行为，并以高通量和自动化的方式筛选免疫治疗药物（图1A）。研究人员制作了可缩放的均匀尺寸的3D核心/肿瘤外壳/基质球体，每个板的大量球状体可以在一个井内的柱状晶格阵列内形成；它们在第3天达到最大直径，并通过柱状点阵阵列设计以均匀尺寸被捕获（图1B-C）

追踪3D培养物中的动态T细胞行为。通过延时成像，我们的微流体平台以单细胞分辨率跟踪T细胞与肿瘤基质球体的动态相互作用，同时利用荧光蛋白使肿瘤抗原特异性T细胞与肿瘤的相互作用可视化，并量化了t细胞在肿瘤球体内的动态迁移和杀伤行为。通过使用该工程平台和细胞系统，研究人员同时跟踪了单个T细胞的肿瘤浸润和细胞毒性的动态过程，研究了由UN-KC6141细胞组成的肿瘤核心上的抗原（OVA）呈递以及外壳/CAF的基质层对免疫肿瘤相互作用动力学的影响（图2）。

使用临床数据库培训基于深度学习的TIL评分分析仪。为了处理大量图像的数据，跟踪固定在我们微流体平台中的许多球体上的T细胞行为，研究人员开发了一种基于深度学习的TIL评分分析仪。该分析仪由图像处理器、深度学习算法和分类器组成。研究人员集成了一个图像处理器，通过将实体肿瘤的H&E图像数字化为红色（淋巴细胞）和蓝色（肿瘤）的双色图来提取TIL图。接下来，研究人员训练了基于深度学习的TIL评分分析器，以根据临床患者生存数据对TIL浸润进行评分。分析仪使用深度卷积神经网络从训练双色图中提取TIL的特征，并将其与离散患者生存时间相关联（图3A）。

表观遗传药物筛选。该方法建立后，研究人员通过筛选具有表观遗传活性的药物库，在概念验证应用中测试运行了我们的智能微流体筛选系统。筛选系统分两步进行筛选：（1）药物细胞毒性筛选，（2） 免疫治疗筛选。（图3B）

根据筛选结果，研究人员药物GSK-LSD1（LSD1的小分子抑制剂）的TIL评分为0.6，显著高于阳性对照组评分。为了进一步研究GSK-LSD1单独和联合治疗的疗效，研究人员同时追踪了T细胞的浸润和细胞毒性。联合治疗提供了最大的浸润深度、浸润T细胞的数量和细胞毒性T淋巴细胞的数量。GSK-LSD1治疗增强了T细胞浸润，并与抗PD1治疗联合促进了深度浸润和细胞毒性（图4）。

为了验证先前的体外结果，研究人员在B16F10同基因肿瘤模型中测试了候选药物，研究人员探究了GSK-LSD1单独治疗和与抗PD1联合治疗的抗肿瘤作用。GSK-LSD2治疗组中发现中度肿瘤生长抑制，当GSKLSD1治疗与抗PD1治疗联合应用时，观察到更大的肿瘤生长抑制。与对照或抗PD1治疗的小鼠的肿瘤相比，浸润到GSK-LSD1治疗的肿瘤中的CD8+T细胞数量明显更高。体内试验进一步验证了体外筛选结果，证明了自动筛选系统可以识别有效的T细胞肿瘤浸润促进剂，并将其转化为体内结果（图5）。

总而言之，该研究开发了一个自动筛选系统的原型，并基于通过深度学习识别的T细胞肿瘤浸润特征，展示了用于筛选治疗实体瘤的免疫治疗化合物的概念验证应用。该系统可在基础研究和转化医学中找到广泛应用，以治疗自身免疫性疾病、神经炎性疾病、免疫应答受损等。

教授介绍

郭峰，智能系统工程系助理教授，研究兴趣集中在开发基于微流体、声学和AI的智能生物医学设备、传感器和系统，用于自身免疫疾病、脑科学和癌症的转化应用。

参考文献

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