機器學習預測膠質母細胞瘤預后

G膠質母細胞瘤(GBM)是中樞神經(jīng)系統(tǒng)最常見、最具侵襲性的惡性腫瘤，五年生存率低至6.8%。1GBM腫瘤具有異質性，這給預后和治療帶來了重大挑戰(zhàn)。根據(jù)使用單細胞RNA測序(scRNA-seq)的研究，這些腫瘤細胞不僅具有不同的表達譜，而且它們的細胞亞型和空間組織也可能因患者而異。2

雖然之前的這些實驗為研究人員提供了腫瘤細胞轉錄組圖譜，但scRNA-seq樣品制備所需的組織解離意味著他們無法捕獲細胞相互作用的空間動態(tài)。在評估GBM預后時保留空間信息非常重要，因為細胞相互作用和腫瘤結構在驅動克隆進化、腫瘤進展和治療耐藥方面發(fā)揮著關鍵作用。3-5因此，研究人員最近開發(fā)了完整組織的空間轉錄組分析技術，以探索細胞組成和空間結構如何影響GBM預后。6

這種新方法的一個問題是scRNA-seq和空間轉錄組學價格昂貴，并且臨床應用有限，因為它們不作為癌癥診斷的一部分進行常規(guī)檢測。然而，有一些廉價的GBM預后方法。例如，雖然對組織切片進行染色以獲得組織學圖像不提供轉錄組數(shù)據(jù)或空間信息，但該過程廣泛可用并且更容易獲得。在《自然通訊》最近的一篇論文中，研究人員將這些高科技和低技術方法結合起來，開發(fā)了一種GBM預后工具，可以根據(jù)組織學圖像預測轉錄亞型。7

“我們非常有興趣將許多不同的數(shù)據(jù)模式結合在一起，”斯坦福大學生物醫(yī)學信息學專家、該論文的資深作者OlivierGevaert說。“例如，尤其是將成像模式與分子數(shù)據(jù)等其他類型的模式聯(lián)系起來。”

為了構建這個工具，Gevaert和他的團隊首先確定了具有不同轉錄組特征的細胞如何在空間上組織。他們分析了22位GBM患者的三個空間轉錄組數(shù)據(jù)集，以區(qū)分惡性斑點和正常組織。為了確定不同的轉錄亞型，研究人員隨后分析了這些惡性斑點的轉錄組。在一種補充方法中，他們使用參考scRNA-seq數(shù)據(jù)集估計了每個點內(nèi)不同細胞類型的比例。通過這些方法，研究人員確定了五種可能影響GBM患者預后的不同細胞亞型。這些細胞群包括先前報道的具有神經(jīng)祖細胞、少突膠質細胞祖細胞、星形膠質細胞和間充質特性的細胞狀態(tài)。8

為了查明是否可以直接從組織學圖像預測這些轉錄亞型，研究人員開發(fā)了一種深度學習模型。經(jīng)過訓練、評估和驗證該模型后，Gevaert和他的同事從兩個獨立隊列的920張全玻片圖像中對超過4000萬個組織點進行了表型分析，并構建了410名GBM患者的高分辨率細胞圖譜。數(shù)據(jù)分析顯示，不同轉錄亞型的GBM預后存在顯著差異。表達缺氧誘導轉錄本的腫瘤細胞表現(xiàn)出最差的預后。此外，星形膠質細胞樣細胞的聚集導致更差的預后，而這些細胞類型的分散和與其他亞型的連接與更好的預后相關。總而言之，這些數(shù)據(jù)表明腫瘤細胞對缺氧環(huán)境和炎癥的反應導致GBM預后不良。

為了使訓練后的圖像模型可供未來的研究使用，研究人員開發(fā)了GBM360，這是一種用戶友好的軟件，可以根據(jù)組織學圖像預測和可視化轉錄亞型和預后。“這尚未被批準用于臨床，”Gevaert說。“這更多的是一個演示......人們可以上傳他們的幻燈片，然后他們可以應用我們的模型。”

“他們的觀察和結論可能有助于將來創(chuàng)建虛擬組織學生物標志物，”未參與這項研究的加州大學洛杉磯分校機器學習專家艾多根·奧茲坎(AydoganOzcan)在一封電子郵件中表示。然而，他指出，“這些模型在不同患者群體和惡性腫瘤中的可移植性對于更大規(guī)模的評估非常重要。”

標簽：