用于测量三维细胞结构的药物应答动力学的无标记方法和系统技术方案

本文公开了提供一种计算模型的方法，该计算模型用于预测测试试剂相对于3D细胞结构(例如，球状体、类器官和肿瘤球体)的活性。具体地，采用机器学习算法以使用区域特定图像特征生成3D细胞结构中药物应答的定量模型，其中该区包括坏死区、静止区和增殖区。本文还公开了使用这种计算模型的无标记预测方法以及被配置为执行本文所公开的方法的装置。

Unlabeled methods and systems for measuring drug response dynamics of three-dimensional cell structures

【技术实现步骤摘要】
【国外来华专利技术】用于测量三维细胞结构的药物应答动力学的无标记方法和系统相关申请的交叉引用本申请要求2017年8月14日提交的SG临时申请No.10201706639T的优先权权益，其内容出于所有目的通过引用整体并入本文。
本专利技术一般性地涉及图像处理、生物信息学和细胞生物学领域。特别地，本专利技术涉及图像处理在三维细胞结构中测量药物应答动力学的用途。
技术介绍
与单层二维(2D)细胞培养物不同，三维(3D)肿瘤球状体模型再现了空间微环境并潜在地模拟了原发性肿瘤的病理生理应答。然而，大多数用于评价细胞生存力和药物功效的基于细胞的测定仍然基于单层2D细胞培养物，其尚未被证明充分预测体内功效。随着精密肿瘤学的出现，类体内模型(in-vivolikemodel)对于治疗策略的研究日益重要，这已经引起了人们对建立3D肿瘤球状体作为药物测试的替代或补充筛选模型的兴趣。事实上，一些研究揭示，与相同细胞系的相应2-D细胞培养物相比，3D球状体的基因组和蛋白质组图谱更反映了亲代肿瘤的细胞-细胞相互作用和微环境。已发表的数据还表明，在球状体中胞外基质(ECM)和低氧组分显著升高，表明3D模型更适合于转移和分化研究。另外，一些药物的功效高度依赖于3D微环境中的细胞-细胞相互作用，因此在2D细胞培养物中可能被非自然地抑制。癌症肿瘤球状体已经在癌症研究的各个方面使用了几十年。已经建立了各种形式的肿瘤球状体(tumourspheroid)，包括多细胞肿瘤球状体、肿瘤球体(tumorosphere)如乳腺球(mammosphere)、结肠球(colonosphere)和组织源性肿瘤球体、以及器官型多细胞球状体。然而，直到最近几年，HCS和HTCS的发展以及显微技术的进步才使得建立用于疗效评价的大规模3D肿瘤球状体筛选平台成为可能。在这样的3DHCS/HCTS平台上，在单个实验中可以生成数千个球状体，并且用不同的化合物文库并以不同的稀释度平行查询。球状体呈现的形态学变化可以使用高分辨率显微镜来捕获，并且使用计算图像分析流水线来评估或量化。以高通量方式筛选3D肿瘤球状体的能力对于其在快速药物测试中的应用、特别是对于精密肿瘤学中的个性化疗效评价是关键的。例如，至少500μm的良好形成的球状体显示出具有不同的增殖区、静止区和坏死区的同心结构，以及密切模拟体内肿瘤中来自血管的营养物质、氧气和代谢物的浓度衰减(concentrationdepreciation)的病理生理梯度。与单层细胞培养物相比，肿瘤球状体通常显示出对化疗药物的物理化学应答降低。许多在2D细胞培养物中具有高效率的处理在3D肿瘤球状体中具有降低的抑制活性，这可能是由于在3D环境中通过细胞-细胞和细胞-基质相互作用建立的肿瘤微环境生理学的调节以及通过缺氧坏死区、固有耐药性的静止区和直接暴露于药物作用的增殖区的存在建立的药物渗透梯度的调节。已经证明3D肿瘤球状体在药物的阴性选择和阳性选择中是疗效评价的主要工具。作为更好地概括原发性肿瘤的类体内模型，肿瘤球状体模型可用于高通量化学筛选(HCTS)以能够消除(2D单层模型)假阳性，从而减少下游动物测试。最近的研究还揭示，由于诸如细胞-基质相互作用的存在等因素，某些信号传导通路(signallingpathway)仅在3D环境中被激活。因此，肿瘤球状体模型可用于鉴定在2D单层模型中可能具有体内功效但其活性被抑制的药物。当肿瘤球状体由源自患者的细胞系培养时，肿瘤球状体模拟患者特异性因子，该因子可以由于代谢和微环境差异而改变对药物的应答，并且可以是精密肿瘤学研究的有价值的工具。使用3D肿瘤球状体作为药物筛选模型的主要障碍是缺乏测量球状体中药物应答动力学的自动化方法。已经开发了基于非图像的测定来确定细胞生存力或细胞毒性。这些方法包括使用ATP来定量代谢活性细胞、或使用刃天青还原来定量线粒体代谢活性、使用4-硝基苯基磷酸酯(4-nitrophenylphosphate)来测量胞质酸性磷酸酶(APH)水平、以及使用四唑盐来测量乳酸脱氢酶(LDH)活性。上述测量主要基于吸收、发光或荧光。基于图像的测定通常包括活细胞染色/死细胞染色以及通过多通道采集图像。在基于非图像的测定和基于图像的测定中对细胞固定的需要将测定限制于终点实验，并限制了监测球状体应答于药物处理的药效学的能力。另一方面，基于形态学的方法主要使用球状体的尺寸/体积或形状。然而，这些参数不能充分反映表型应答。相对地，区域特异性图像描述符更可预测肿瘤球状体的药理学应答，但具有有限的预测值(R<0.5)。需要更复杂的图像描述符以在每个时间点获得药物应答的更精确的量化，并绘制药物应答随时间的动力学曲线。因此，需要一种无标记、非侵入性系统，用于在高通量装置中连续监测3D球状体的应答动力学。此外，结合附图和本公开的
技术介绍
，通过随后的详细描述和所附权利要求，其他期望的特征和特性将变得显而易见。
技术实现思路
在一个方面，本专利技术涉及提供用于预测测试试剂相对于3D细胞结构的活性的计算模型的方法，该方法包括提供多个训练样本，每个训练样本包括应用于多个训练3D细胞结构中的相应训练3D细胞结构的多个训练测试试剂中的相应训练测试试剂；确定多个训练样本中的至少一个训练样本的相应图像；确定每个相应图像的相应特征集合；确定应用于与多个训练样本中的至少一个训练样本相对应的相应训练3D细胞结构的相应训练测试试剂的相应活性；基于所确定的相应特征集合和所确定的相应活性来确定计算模型。另一方面，本专利技术涉及无标记预测方法，包括：提供计算模型；提供包含应用于3D细胞结构的测试试剂的样本；确定样本的图像；确定图像的特征集合；基于上述特征集合并基于上述计算模型预测该测试试剂相对于3D细胞结构的活性。在又一方面，本专利技术涉及被配置为执行如本文所公开的方法的装置。附图图1显示了源自头颈癌患者的淋巴结活检组织的肿瘤球状体同心结构的示意图和显微照片。球状体呈现出增殖梯度，其中氧气和营养物质的含量从球状体的外表皮到内部低氧核心逐渐减少，并具有明显的增生区、静止区和坏死区。图2显示了源自头颈癌患者的球状体的显微照片，其中(a)经高浓度的抗癌药顺铂处理；(b)经低浓度的抗癌药顺铂处理；以及(c)DMSO介质中未经处理。所有三种患者源性球状体具有大约500μm的相似尺寸。然而，在低浓度的顺铂下，肿瘤球状体的形态结构类似于DMSO介质中的未经处理的球状体的形态结构，而用较高浓度的顺铂处理的球状体显示扩大的核心区(以黄色包围)，反映了处理的功效。图3显示了在超低附着384孔板中生长的球状体的明场图像。每个孔含有用480种抗癌药物其中之一处理的肿瘤球状体。图4显示了504个图像特征的皮尔逊相关分析(Pearsoncorrelationanalysis)的结果，该图像特征从1,170个药物处理的球状体的分割图像中提取并与药物应答相关(y轴；基于3D细胞生存力测定)。图5显示了头部和颈部肿瘤球状体被分割成增殖区(底行，左框)、静止区(底行，中框)和坏死区(底行，右框)的显本文档来自技高网...

【技术保护点】
1.一种提供用于预测测试试剂相对于3D细胞结构的活性的计算模型的方法，所述方法包括：/n提供多个训练样本，每个训练样本包括应用于多个训练3D细胞结构中的相应训练3D细胞结构的多个训练测试试剂中的相应训练测试试剂；/n确定所述多个训练样本中的至少一个训练样本的相应图像；/n确定每个所述相应图像的相应特征集合；/n确定应用于与所述多个训练样本中的至少一个训练样本相对应的所述相应训练3D细胞结构的所述相应训练测试试剂的相应活性；/n基于所述确定的相应特征集合和所述确定的相应活性来确定所述计算模型。/n

【技术特征摘要】
【国外来华专利技术】20170814 SG 10201706639T1.一种提供用于预测测试试剂相对于3D细胞结构的活性的计算模型的方法，所述方法包括：
提供多个训练样本，每个训练样本包括应用于多个训练3D细胞结构中的相应训练3D细胞结构的多个训练测试试剂中的相应训练测试试剂；
确定所述多个训练样本中的至少一个训练样本的相应图像；
确定每个所述相应图像的相应特征集合；
确定应用于与所述多个训练样本中的至少一个训练样本相对应的所述相应训练3D细胞结构的所述相应训练测试试剂的相应活性；
基于所述确定的相应特征集合和所述确定的相应活性来确定所述计算模型。


2.根据权利要求1所述的方法，其中，使用明场显微术、相差显微术、宽场显微术、暗场显微术和超分辨率显微术中的至少一种来确定所述多个训练样本中的至少一个训练样本的所述相应图像。


3.根据前述权利要求中任一项所述的方法，其中，确定每个所述相应图像的所述相应特征集合包括处理每个所述相应图像。


4.根据权利要求3所述的方法，其中，处理每个所述相应图像包括将所述图像分割成多个片段，每个片段对应于所述训练3D细胞结构的不同区。


5.根据权利要求4所述的方法，其中，处理每个所述相应图像还包括裁剪所述多个片段以获得多个区的图像。


6.根据权利要求4或5所述的方法，其中，所述区包括坏死区、静止区和增殖区。


7.根据权利要求4至6中任一项所述的方法，其中，所述区是圆形的或不规则的。


8.根据权利要求4至7中任一项所述的方法，其中，每个所述相应图像的所述相应特征的集合是基于所述相应图像的所述片段来确定的。


9.根据前述权利要求中任一项所述的方法，其中，所述训练3D细胞结构包括球状体、类器官和肿瘤球体中的至少一种。


10.根据前述权利要求中任一项所述的方法，其中，每个特征集合与所述相应训练3D细胞结构的特征的中的至少一个相关或所述相应训练3D细胞结构的区的特征相关。


11.根据前述权利要求中任一项所述的方法，其中，每个特征集合与所述相应训练3D细胞结构的区之一的尺寸或面积或体积中的至少一个相关、与所述相应训练3D细胞结构的区之一的曲率相关、与所述相应训练3D细胞结构的区中的至少一个的形状相关、与所述相应训练3D细胞结构的区中的至少一个的强度相关、或与所述相应训练3D细胞结构的区中的至少一个的细胞的纹理相关。


12.根据前述权利要求中任一项所述的方法，其中，针对所述多个训练样本中的至少一个训练样本确定应用于所述相应训练3D细胞结构的所述相应训练测试试剂的所述相应活性包括一种或多种独立的细胞生存力或增殖测定，用于确定已知对所述3D细胞结构具有影响的所述训练测试试剂的应答(活性/毒性)。


13.根据前述权利要求中任一项所述的方法，其中，所述计算模型被配置为输出测试试剂相对于3D细胞结构的活性(或应答)得分。


14.根据前述权利要求中任一项所述的方法，其中，确定所述计算模型包括训练所述计算模型。


15.根据前述权利要求中任一项所述的方法，其中，确定所述计算模型包括确定所述计算模型的参数。


16.根据前述权利要求中任一项所述的方法，其中，所述计算模型包括至少一种机器学习算法，包括但不限于人工神经网络(ANN)、深度学习(例如但不限于卷积神经网络)、支持向量机(SVM)、基于回归的方法(例如但不限于线性回归、逻辑回归等)、基于树的方法(例如但不限于决策树、随机森林等)、提升方法(例如但不限于梯度提升、Adaboost等)、基于距离的方法(例如但不限于K-最近邻(即KNN)、K均值等)、降维算法(例如主成分分析(PCA)等)。


17.根据前述权利要求中任一项所述的方法，其中，所述多个训练样本中的每个训练样本被用于确定所述相应图像和确定所述相应活性二者。


18.根据权利要求1至17中任一项所述的方法，其中，所述多个训练样本中的每个训练样本被用于确定所述相应图像或确定所述相应活性，其中所述多个训练样本包括针对每种测试试剂和针对每种3D细...

【专利技术属性】
技术研发人员：辜丽蓉，R·达斯古普塔，G·珀利亚萨密，
申请(专利权)人：新加坡科技研究局，
类型：发明
国别省市：新加坡;SG