Cancer Res | AI分析拉曼光谱可作为免疫疗法生物标志物
原创 图灵基因 图灵基因 今天
收录于话题#前沿分子生物学技术
约翰霍普金斯大学的工程师表示，他们正在使用一种非侵入性光学探针来了解免疫治疗后肿瘤的复杂变化。他们补充道，他们的方法将肿瘤生化成分的详细绘图与机器学习相结合。
约翰霍普金斯大学机械工程副教授 Isham Barman 博士指出：“免疫疗法真的像魔法一样有效，从根本上改变了我们看待癌症治疗的方式。”他是这项研究的合著者（“Raman spectroscopy and machine learning reveals early tumor microenvironmental changes induced by immunotherapy”），该研究是与阿肯色大学的同事合作进行的，并发表在《Cancer Research》上。“然而，只有大约25%的患者从中受益，因此迫切需要确定预测性生物标志物，以确定谁应该接受治疗。”
拉曼光谱利用光来确定材料的分子组成。研究小组在接受免疫治疗中使用的两种免疫检查点抑制剂治疗的小鼠以及未经治疗的对照组小鼠中检测结肠癌肿瘤。
“癌症免疫疗法仅对一小部分患者提供持久的临床益处，并且由于缺乏用于预测和评估治疗反应的可靠生物标志物，因此很难识别这些患者。在这里，我们展示了无标记拉曼光谱的首次应用，用于阐明由抗CTLA-4和抗PD-L1免疫检查点抑制剂（ICI）在结直肠肿瘤异种移植物的肿瘤微环境（TME）中诱导的生物分子变化。”研究人员写道。
“拉曼光谱数据集的多元曲线分辨率交替最小二乘法 (MCR-ALS) 分解揭示了治疗后脂质、核酸和胶原蛋白含量的早期变化。支持向量机分类器和随机森林分析为对 ICI 和描绘的特定于每种疗法的光谱标记的响应提供了极好的预测准确性，与它们的不同作用机制一致。”
“通过蛋白质组学分析证实，我们对 TME 中生物分子变化的观察应该会促进对转化这些标记物和无标记拉曼光谱的详细研究，用于临床监测癌症患者的免疫治疗反应。”
拉曼光谱最近才针对生物医学应用进行了优化。“这是第一项显示这种光学技术能够识别免疫治疗的早期反应或抵抗力的研究。”Santosh Paidi博士指出，他是该研究的主要作者之一，在约翰霍普金斯大学机械工程博士生期间从事该研究。
现在是加州大学伯克利分校的博士后研究员的Paidi说，拉曼光谱的一个好处是它提供了精细的分子特异性。“你会得到一个精确的分子特征。”
科学家们表示，这种方法也非常适合探索肿瘤微环境的组成变化，而不仅仅是癌细胞。
“与其关注一些可疑分子，我们更感兴趣的是更全面地了解肿瘤微环境。那是因为肿瘤不仅仅是恶性细胞。微环境包含肿瘤基质、血管、浸润性炎症细胞和各种相关组织细胞的复杂组合。”研究人员解释说，“我们的想法是采用这种方法并将其系统化，以便医生可以使用它来确定免疫疗法是否对患者有益。”
该团队使用来自25个肿瘤的约7500个光谱数据点的拉曼数据来训练算法，以确定由免疫疗法引起的一系列特征。
“我们的问题是，我们能否区分这三个组，然后是什么样的特定光谱特征使我们能够区分它们。”研究人员继续说道。
该团队使用来自不同小鼠的数据来构建机器学习分类器，并测试其性能。其目的是模拟算法在呈现新数据时会遇到的生物变异性。
“你需要毫无疑问地证明你所看到的差异是由免疫检查点抑制剂引起的，而不仅仅是两个人之间的差异。”研究人员指出。
研究小组报告说，结果令人鼓舞。研究人员说：“我们能够确定，当给予每一种免疫检查点抑制剂治疗时，胶原蛋白水平、脂质水平和核酸水平以及它们在肿瘤中的空间分布都会发生显著变化。”
这些差异是细微的，但具有统计学意义，并且与对样本进行的蛋白质组学分析相一致，表明该技术具有提供肿瘤对治疗反应的早期迹象的能力。
需要进行更多的研究，但该团队相信他们的工作将为开发一种预测患者是否会对免疫疗法产生积极反应的方法铺平道路。
“与机器学习相结合，拉曼光谱有可能改变预测治疗反应的临床方法。”研究人员预测道。
