近日，姚瑜博士课题组和复旦大学附属华山医院姚瑜教授团队合作开发了基于生物3D打印和人工智能算法的脑胶质瘤微环境研究及药物筛选新方法。研究成果Integration
of 3D bioprinting and multi-algorithm machine learning identified
glioma susceptibilities and microenvironment characteristics发表于Cell
Discovery。
脑胶质瘤是一种复杂的中枢神经系统癌症，在不同患者之间具有显著遗传和表型异质性。脑胶质母细胞瘤（GBM）是致死率最高的胶质瘤，其五年生存率仅为6.9%，且复发率极高。本研究在临床相关背景下，首次创新整合生物3D打印和机器学习两项前沿技术，从实验和计算双重角度预测和评估多模式肿瘤治疗反应、探索复杂的肿瘤微环境特性。
亮点汇总
具体研究内容
生物3D打印患者肿瘤微组织（PDT）高度重现患者的遗传特征和临床药物反应
研究团队从22名成人和1名儿童高级别胶质瘤患者处获取了手术切除的肿瘤组织，并成功打印培养了所有患者的3D微组织作为该患者的个性化药敏实验模型。研究团队采用赛箔生物自主研发的Biocube高通量光固化打印机、适配脑胶质瘤的生物墨水，准确地模拟了胶质瘤的细胞外基质特点，实现PDT构建成功率100%。通过RNA测序和全外显子测序对比患者样本和其对应PDT，发现它们在分子特征上高度一致，且优于基质胶培养的患者类器官（PDO）。
对临床在用药物的测试中，PDT能够准确反映复发患者对于金标准药物替莫唑胺的耐药性（通过pMGMT甲基化状态反映复发患者耐药性的比例仅有33%），以及对洛莫司汀更高的敏感性，证实PDT能够准确提示临床药物的易感性。以上结果证实PDT能够准确反映个体的药物敏感性，与临床结果相关性高。此外，研究人员还测试了儿童胶质瘤患者常用的铂类药物（顺铂、洛铂），四个临床在用药物中仅有洛铂在PDT中肿瘤抑制率的中位数和平均数都超过50%，显示对胶质瘤治疗具有一定潜力。
考虑到药物有不同的作用机制，因此单一算法无法提供所有药物的最佳预测，研究团队同时开发了一个集成11种算法的机器学习融合模型GlioML。结果显示神经网络（Neural
Network）模型和梯度提升（Gradient
Boosting）模型，在基于基因表达特征预测药物反应方面的优越预测能力。这两类算法产生了超过99%的最佳单一算法预测器，而k近邻算法（kNN）类模型未能生成任何最佳预测器。通过基础模型的有效组合和优化权重，GlioML的加权集成模型在所有化合物的训练数据集中均优于所有单一算法。
从癌症细胞系百科全书（CCLE）中已建立的基因表达数据和癌症治疗反应门户（CTRP）中的药物反应数据，提取并筛选了与研究最相关的基因集，作为团队开发的GlioML机器学习工作流程的初始特征集。为了防止组学数据多（特征多）而样本量少带来的过拟合问题，研究团队进行了多轮特征工程，从而减少训练中使用的特征数量。
研究团队探索了结合PDT和GlioML算法来发现具有潜在临床疗效的化合物、预测胶质瘤患者药物敏感性等方面的协同潜力。研究人员采用3个GlioML模型推荐的非胶质瘤相关化合物和临床金标准药TMZ分别处理不同患者的PDT。这3个化合物包括GPX4抑制剂RSL、白血病药达沙替尼和调脂药洛伐他汀，经过药物处理后的PDT的中位存活率分别为5.8％、4.2％和50％，肿瘤抑制效果均显著超过了临床用药TMZ。尽管测试化合物的肿瘤杀伤效率各不相同，但经CCNU、顺铂、洛铂、达沙替尼、洛伐他汀和RSL处理的PDTs肿瘤存活率均显著低于未处理对照组。在儿童胶质瘤患者常用的铂类药物中，洛铂显示出比顺铂更好、更集中的疗效。由于PDTs显示出与临床TMZ和CCNU反应的高度一致性，GlioML所发现的潜力化合物在PDTs中的优越肿瘤杀伤效果支持了GlioML在胶质瘤药物发现中的重要价值。
同时，聚类分析显示GlioML预测的药物敏感性，能够明显区分WHO III级和IV级胶质瘤，提示不同阶段的胶质瘤患者对药物反应不同。GlioML在WHO IV级胶质瘤中表现出强大的预测潜力，表明当前的GlioML模型更擅长预测恶性程度高的胶质瘤。
高级别胶质瘤组织内含有包括免疫细胞和内皮细胞在内的非肿瘤异质性细胞群体。本研究收集的患者样本显示了不同比例的间质细胞，尤其是CD45+免疫细胞，生物3D打印的PDT有效地保留了这些间质细胞。比较12对匹配的患者组织和PDT发现，除个别情况下观察到CD45+比例降低外，其余无显著差异。
为了解决PDTs中病人特异性特征和不一致的细胞组成带来的机制研究的挑战，研究团队采用基于DLP的生物3D打印技术创建了工程化的多细胞GBM肿瘤免疫、肿瘤免疫内皮模型。这些模型尝试精确重现PDT中涉及的三种主要细胞群体：代表外周血起源的肿瘤相关巨噬细胞（TAM）的CD14+细胞，代表脑来源的TAM的P2RY12+细胞，和代表内皮细胞的CD31+细胞。
这些工程化多细胞模型使得评估包括GlioML识别的小分子化合物、T细胞疗法和贝伐单抗等靶向治疗在内的各种治疗方法成为可能。
结果还揭示了生物3D打印GBM肿瘤免疫模型中，不同来源巨噬细胞能够塑造有显著差异的肿瘤微环境，可被应用于开发靶向GBM微环境、增强临床疗效的新策略。
0 留言