【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(mammospher ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。