客服热线：
手机版
二维码
胶质母细胞瘤（GBM）是一种进展快速且侵袭性极强的脑肿瘤，具有死亡率高、生存期短、预后差、复发率高的特点，患者在诊断后平均预期寿命通常只有一年左右。它难以治疗的部分原因是肿瘤异质性高，难以分析究竟是哪种癌细胞驱动了患者的癌症发展。 近日，斯坦福大学的研究人员在 Nature 子刊 Nature Communications 上发表了题为Spatial cellular architecture predicts prognosis in glioblastoma 的研究论文。该研究开发了一种人工智能（AI）模型，利用单细胞RNA-seq和空间转录组学数据， 通过评估胶质母细胞瘤组织染色图像来预测患者肿瘤的侵袭性，确定肿瘤细胞的基因组成，并评估患者在手术后是否还有癌细胞残留，从而帮助医生决策。 总的来说，该研究提出了一种可扩展的方法来揭示胶质母细胞瘤的转录异质性，并建立了空间细胞结构和临床结果之间的关键联系。
胶质母细胞瘤患者即使在接受手术、放疗和化疗后，仍有一些癌细胞几乎始终存在。几乎所有的胶质母细胞瘤患者都会复发。 医生通常使用组织学图像或疾病组织染色图片以帮助识别肿瘤细胞和设计治疗计划。虽然这些图像通常会显示癌细胞的形状和位置，但它们并不能描绘出肿瘤的完整画面。
近年来，一种更先进的技术——空间转录组学被开发出来。它揭示了几十种细胞类型的位置和遗传组成，使用特定的分子来识别肿瘤组织中的遗传物质。 空间转录组学数据使我们能够以一种前所未有的方式来观察这肿瘤，但目前这仍然一项昂贵的技术，为一个病人生成空间转录组学数据通常需要几千美元。在这项研究中，研究团队转向人工智能（AI）技术，开发了一个AI模型，从空间转录组学和基本的组织学图像创建出更详细的肿瘤地图。通俗地说，该模型能够显示哪些细胞喜欢呆在一起，哪些细胞不想交流，以及它们与患者预后的关系。
研究团队利用来自20多名胶质母细胞瘤患者的空间转录组学数据和遗传数据训练了该模型，从而了解到哪些细胞类型、细胞间的相互作用与更有利（或更不利）的癌症结局有关。例如，该模型发现，当星形胶质细胞异常聚集在一起时，患者似乎会更快地患上侵袭性癌症。而其他研究发现，当星形胶质细胞聚集在一起时，它们会传递驱动肿瘤生长的信号。通过揭示像这种聚集的细胞模式，该模型可以帮助药物开发者设计出更有效的治疗方法来靶向胶质母细胞瘤。 来自同一胶质母细胞瘤患者的空间转录组学数据还教会该模型在相应的组织学图像中识别不同的肿瘤细胞，准确率达到78%以上。
本质上，它利用细胞的形状来预测哪些基因被“打开”和“关闭”，这些信息揭示了细胞的身份。 研究团队希望临床医生可以利用这一模型来推断手术中成功切除了多少肿瘤，以及患者大脑中还残留了多少癌细胞。该模型显示，具有遗传上缺氧痕迹的肿瘤细胞通常位于患者肿瘤的中心。
当这些细胞的比例较高时，就意味着癌症结局较差。因此，该模型可以通过分析患者手术的组织样本图像，判断患者在术后还有多少癌细胞残留，以及在手术后多久需要恢复治疗。 在训练该模型从基本图像中识别不同细胞类型的位置之后，研究团队在由410例患者的组织学图像组成的更大、独立数据集上评估了其效果。根据这些图像，该模型开始推断癌症的结局，结果显示，该模型能够识别出与癌症侵袭性相对应的细胞模式。
研究团队认为，该模型将来可以帮助医生识别那些肿瘤更具侵袭性、可能通过复发或快速增长构成迫在眉睫的威胁的癌症患者。 研究团队表示，该模型的预测潜力让人倍感兴奋，但在向医生发布之前，还需要使用更多的癌症患者的数据进行训练。研究团队正计划细化模型，以创建更细粒度的胶质母细胞瘤细胞地图。 研究团队目前发布了该模型的概念版本——GBM360，可供研究人员上传图像和预测胶质母细胞瘤患者的结局。但需要强调的是，该模型仍处于研究阶段，预测结果还不能指导患者的治疗。研究团队希望通过进一步研究，将该模型的预测结果扩展到乳腺癌、肺癌等最常见的癌症类型，这些多模态数据的整合可以改善未来的个性化医疗。
