用于预测疾病预后的基于无标记液体活检的疾病模型制造技术

本公开提供了一种基于无标记液体活检预测疾病预后的平台和方法，特别是在微流体装置上建立体外疾病模型，并且提供了经过训练的深度学习神经网络用于从细胞簇自动提取形态特征，该细胞簇由测试受试者的无标记液体活检形成，以预测不同疾病阶段并评价相应治疗方案对测试受试者的疗效

【技术实现步骤摘要】
用于预测疾病预后的基于无标记液体活检的疾病模型、分析平台和方法
[0001]本申请要求
2022
年5月
13
日提交的美国申请
17/663,287
的优先权，其公开内容通过引用合并进入本申请
。


[0002]本专利技术涉及一种基于无标记液体活检预测疾病预后的平台和方法，特别是在微流体装置上建立体外疾病模型
。
本专利技术还提供了经过训练的深度学习神经网络用于从细胞簇自动提取形态特征
。
该细胞簇由测试受试者的无标记液体活检形成，以预测不同疾病阶段并评价相应治疗方案对测试受试者的疗效
。

技术介绍

[0003]癌症是全球死亡的主要原因之一
。
癌症的常规诊断方法是实体瘤活检，其是侵入性的并引起不适
。
此外，该方法繁琐且耗时
。
液体活检提供了用于检测疾病相关的生物标志物的侵入性相对较小的方法
。
液体活检的优点包括样本采集容易且是微创，使其成为理想方法
。
液体活检中常见的生物标志物可基于蛋白质
、
基因或细胞
。
检测蛋白质或基因涉及靶向探针标记，这需要事先全面了解生物标志物特性
。
然而，由于肿瘤的异质性，常见的癌症相关的蛋白质和基因的生物标志物不能完全概括肿瘤的特征
。
此外，癌细胞在治疗过程中可能发生表型变化或突变，这使得检测基于蛋白质或基于基因的生物标志物具有挑战性
。
[0004]传统的癌症相关研究通常使用市售的癌细胞系
。
然而，他们与临床无关，并且仅限于某些应用，例如抗癌药物筛选
、
临床前测试和生物标志物研究
。
由于影响肿瘤进展的多变量因素，在体外建立临床相关的癌症模型一直具有挑战性
。
多变量因素包括肿瘤生长
、
增殖
、
迁移
、
侵袭
、
基质重塑
、
休眠
、
浸润
、
外渗
、
血管生成和药物递送
。
此外，肿瘤是高度异质的结构，包括癌细胞和非癌细胞，这很少在体外模型中得到反映
。
[0005]患者血液中的循环肿瘤细胞
(CTC)
从多个区域脱落，因此可更好地反映肿瘤的异质性，使其成为癌症诊断和治疗的有前景的生物标志物
。
然而，
CTC
在液体活检中相对较少，通常在
1mL
血液中有0‑
1000CTC。
此外，一旦
CTC
从原发性或转移性肿瘤脱落，细胞将开始凋亡
。
来自
CTC
的无细胞
DNA
不能完全概括功能特性，例如肿瘤起源
。
因此，检测活的
CTC
具有空前的优势
。CTC
的捕获保留了单个细胞的关键信息，并且可以反映稀有细胞的存在，这些稀有细胞最终将在肿瘤进展中发挥关键作用
。
[0006]为了建立用于个性化药物治疗的有效早期预测工具，至少应考虑以下因素：
(i)
与疾病的强相关性，
(ii)
及时输出，和
(iii)
易用性
。
这些因素对于临床医生了解患者的病况和设计适当的治疗方案至关重要
。
当前癌症相关的算法侧重于分析非临床球体表征
。
随着微流体技术的进步，
CTC
对患者预后的反映已经变得切实可行
。
然而，目前大多数
CTC
扩增技术培养周期长
(
＞6个月
)、
需要生长因子且效率低
(
＜
20
％
)
，导致成本高且数据解读困难
。
[0007]近年来，微流体技术在颗粒检测和生物医学领域得到了广泛应用，例如即时检测
(point of care testing)、
器官芯片
(organs
‑
on
‑
a
‑
chip)、
药物研发
、
微生物学和液体活
检
。
细胞分选技术可以分为基于标记物的技术和无标记物技术
。
基于标记物的方法通常依赖于亲和力结合技术或使用癌细胞和血细胞之间不同的光学
、
声学
、
电学或磁热特性来识别生物标志物
。
无标记物方法主要利用癌细胞的独特物理特性，例如大小
、
密度
、
刚度
、
粘度和可变形性
。
尽管无标记物方法倾向于实现高通量分离和检测，但缺点
(
例如生物污染
、
回收率低和细胞活力丧失
)
仍普遍存在
。
[0008]另一方面，患者来源的肿瘤模型可以有效地促进转化尝试
。
患者来源的肿瘤模型可以分为五种亚型，即
3D
培养系统
、
条件重编程细胞培养
、
器官型组织切片
、
患者来源的异种移植模型和微室培养
。
通常优选
3D
培养物，因为它们可以更好地概括体内环境，表现出对药物治疗的更高灵敏度，并且与
2D
培养物相比，反映的生物标志物谱更类似于体内环境
。
[0009]为了设计用于个性化药物治疗的有效早期预测工具，应考虑以下因素：
(i)
与疾病的强相关性，
(ii)
及时输出，和
(iii)
易用性
。
这些因素对于临床医生了解患者的病况和设计适当的治疗措施至关重要
。
[0010]当前癌症相关的算法侧重于分析主要从细胞系建立的非临床球体表征
。
此外，传统的神经网络分类方法无法检测图像中的多个区域
。
其他传统的靶标检测算法
(
例如
Yolo
和
Faster RCNN)
需要大量样本标注，这对于医生和本领域工作人员而言是非常耗时的
。
[0011]因此，需要消除或至少减少上述缺点和问题的用于患者临床预后的改进的
、
全自动的且独特的预测平台和方法
。

技术实现思路

[0012]本专利技术的主要目的之一是提供一种无标记的
、
基于患者来源的液体活检的疾病模型，用于早期预测疾病预后和用于评价治疗阶段期间的治疗方案
。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于患者来源的液体活检的平台，其包括三个主要部分：通过一名或多名受试者的液体活检建立的体外疾病模型；细胞簇图像处理和分析工具；和图像采集模块，所述体外疾病模型包括微流体装置；所述细胞簇图像处理和分析工具包括用于图像分割和分类的深度学习神经网络
。2.
根据权利要求
l
所述的基于患者来源的液体活检的平台，其中所述微流体装置是包括至少两层的微流体生物芯片：底层由多个微孔组成，每个微孔具有用于细胞簇建立的椭圆形基底，以及作为阻隔层的顶层，其用于避免不同微孔之间的流体混合
。3.
根据权利要求2所述的基于患者来源的液体活检的平台，其中所述微流体装置的所述至少两层由柔性热塑性材料制成
。4.
根据权利要求1所述的基于患者来源的液体活检的平台，其中所述细胞簇图像处理和分析工具还包括用户界面和数据增强模块，用于优化由所述图像采集模块从所述细胞簇获得的图像数据，并且在接受所述深度学习神经网络之前对其进行标注
。5.
根据权利要求4所述的基于患者来源的液体活检的平台，其中所述数据增强模块被配置成应用增强内容，其包括水平翻转
、
垂直翻转
、
旋转
、
放大
、
随机裁剪
、
图像灰度缩放；归一化微孔和细胞簇的图像；并且在被馈送至所述神经网络之前对其进行标注
。6.
根据权利要求1所述的基于患者来源的液体活检的平台，其中所述图像采集模块获得的图像数据包括明场
、
暗场
、
微分干涉差和相差显微镜图像中的一种或更多种
。7.
根据权利要求1所述的基于患者来源的液体活检的平台，其中所述图像采集模块选自相差显微镜
。8.
根据权利要求1所述的基于患者来源的液体活检的平台，其中所述神经网络包括
ResUnet++
网络和
Resnet 34
网络
。9.
根据权利要求1所述的源自患者的基于液体活检的平台，其中所述一名或多名受试者包括健康供体和临床诊断或病理学上患有癌症或可检测肿瘤的患者
。10.
根据权利要求9所述的基于患者来源的液体活检的平台，其中所述患者处于癌症进展的不同治疗阶段和治疗周期1至8，其中不同的治疗阶段包括治疗前阶段
。11.
根据权利要求1所述的基于患者来源的液体活检的平台，其中所述神经网络被配置成对所述细胞簇图像进行平场校正
、
自动椭圆检测
、
边缘检测和形态表征
。12.
一种基于从受试者获得的生物样本的细胞簇特征预测受试者的癌症分期的方...

【专利技术属性】
技术研发人员：邱美孌，华浩钧，李伟，
申请(专利权)人：香港城市大学，
类型：发明
国别省市：