为了开发有效的靶向癌症疗法，科学家需要分离癌细胞的遗传和表型特征，无论是在同一肿瘤内还是不同肿瘤之间，因为这些差异会影响肿瘤对治疗的反应。
这项工作的一部分要求深入理解每个癌细胞表达的RNA或蛋白质分子、它在肿瘤中的位置以及它在显微镜下的外观。
传统上，科学家分别研究这些方面的一个或多个，但现在一个新的深度学习AI工具——CellLENS（Cell Local Environment and Neighborhood Scan，细胞局部环境与邻域扫描）将这三个领域融合在一起。通过结合卷积神经网络（CNN）和图神经网络（GNN），该工具为每个细胞构建了全面的数字化档案。这使得系统能够将具有相似生物学特征的细胞归类，从而有效区分那些单独看来非常相似但因环境不同而行为各异的细胞。
该研究最近发表在《自然免疫学》期刊上，详细描述了麻省理工学院、哈佛医学院、耶鲁大学、斯坦福大学和宾夕法尼亚大学研究人员之间的合作成果。这一努力由麻省理工学院博士后研究员、布罗德研究所（Broad Institute of MIT and Harvard）和拉贡研究所（Ragon Institute of MGH, MIT, and Harvard）成员朱伯凯（Bokai Zhu）领导。
朱伯凯解释了这个新工具的影响：“起初我们只会说，哦，我发现了一个细胞，这是一个T细胞。使用相同的数据集，通过应用CellLENS，我现在可以说这是一个T细胞，并且它正在攻击患者体内特定的肿瘤边界。”
“我可以利用现有信息更好地定义一个细胞是什么，它的亚群是什么，这个细胞在做什么，以及这个细胞潜在的功能读数是什么。这种方法可用于识别新的生物标志物，提供关于病变细胞的具体和详细信息，从而实现更具针对性的疗法开发。”
这是一个关键的进步，因为当前的方法常常遗漏重要的分子或上下文信息——例如，免疫疗法可能只针对存在于肿瘤边界上的细胞，限制了疗效。通过使用深度学习，研究人员可以使用CellLENS检测许多不同的信息层，包括形态和细胞在组织中的空间位置。
当应用于健康组织样本和多种癌症（包括淋巴瘤和肝癌）时，CellLENS揭示了罕见的免疫细胞亚型，并展示了它们的活动和位置如何与疾病过程相关联，如肿瘤浸润或免疫抑制。
这些发现可以帮助科学家更好地理解免疫系统如何与肿瘤相互作用，并为更精确的癌症诊断和免疫疗法铺平道路。
“我对像CellLENS这样的新AI工具的潜力感到非常兴奋，它能帮助我们更全面地理解组织中异常的细胞行为。”共同作者亚历克斯·K·谢莱克（Alex K. Shalek）说道。他是麻省理工学院医学工程与科学研究所（IMES）主任、IMES和化学系J.W. Kieckhefer教授、麻省理工学院科赫综合癌症研究所（Koch Institute for Integrative Cancer Research at MIT）外部成员、布罗德研究所成员以及拉贡研究所成员。“我们现在可以通过前沿的多组学检测方法测量大量关于单个细胞及其组织背景的信息。有效利用这些数据来提名新的治疗线索是开发改进干预措施的关键一步。当与正确的输入数据和审慎的下游验证相结合时，这些工具有望加速我们积极影响人类健康和福祉的能力。”
(全文结束)
