尽管最近有医学上的进步,癌症仍然是全世界死亡的主要原因之一。超过90%的与癌症相关的死亡是由于转移而不是原发癌的增长。当癌细胞扩散到人体的新区域而逃避人体免疫系统时,就会发生这种转移。
由于临床前成像技术(例如生物发光成像和MRI)的分辨率有限,因此无法全面检测模型动物体内小的转移灶。这些缺点通过评估新药候选药物的功效严重地阻碍了有效疗法的发展,并导致对各种癌症类型的传播机制缺乏了解。
为了克服检测癌症转移的障碍,HelmholtzZentrumMünchen,慕尼黑路德维希马克西米利安大学(LMU)和慕尼黑工业大学(TUM)的研究人员开发了一种新型的基于深度学习的算法DeepMACT(基于深度学习的转移)清除组织中进行分析)。DeepMACT甚至可以对最小的转移进行自动检测和可视化,还可以确定药物是否已经到达转移。
基于图像的AI算法
研究人员使用一种称为vDISCO的组织清除方法来使整个小鼠身体透明。他们使用激光扫描显微镜对透明鼠标进行3D成像,从而可以观察到最小的转移灶,直至单个癌细胞。但是,手动分析此类高分辨率图像非常耗时。因此,DeepMACT诞生了(Cell10.1016 / j.cell.2019.11.013)。
DeepMACT使该团队能够准确地可视化候选药物靶向哪些癌症转移以及错过了哪些癌症转移。他们的分析表明,基于抗体的药物(例如,一种名为6A10的抗体,是目前可用的最有效的治疗方法之一)可以错过受影响小鼠体内多达23%的转移。此外,研究小组还使用这种方法分析了肺癌,乳腺癌和胰腺癌的转移扩散,并观察了转移在不同时间点如何在体内扩散。
第一作者Chenchen Pan补充说:“ DeepMACT是实现全身转移过程定量分析的第一种方法。
在检测转移灶时,DeepMACT方法不仅与手动检测性能相匹配,而且分析速度提高了300倍。“只需单击几下,DeepMACT即可在不到一个小时的时间内完成几个月的手动检测工作,”TUM的博士研究生Oliver Schoppe说。
由于DeepMACT可以公开获得并且易于采用,因此科学家希望该技术将被其他从事各种肿瘤研究和治疗选择的实验室使用。如今,只有约5%的新药候选者在癌症治疗方面取得了成功。DeepMACT在临床前研究中的应用可以改善对更好的临床试验候选药物的鉴定和开发。这种方法应大大提高候选癌症药物的成功率,改善药物开发过程,并可能挽救更多生命。