为了为癌症开发有效的靶向治疗，科学家需要分离癌细胞的遗传和表型特征，这包括在不同肿瘤内部以及跨肿瘤的情况下的特征，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，科学家会单独研究这些方面中的一项或多项，但现在出现了一种新的深度学习人工智能工具CellLENS（细胞局部环境和邻域扫描），它通过结合卷积神经网络和图神经网络的方法，将这三个领域融合在一起，构建每一个单细胞的综合数字档案。
这使得系统能够对具有相似生物学特性的细胞进行分组——有效地分离甚至那些在孤立状态下看起来非常相似但根据其周围环境行为不同的细胞。
这项研究发表在《自然免疫学》杂志上，详细描述了来自麻省理工学院、哈佛医学院、耶鲁大学、斯坦福大学和宾夕法尼亚大学的研究人员之间的合作成果——这项努力由麻省理工学院博士后研究员、麻省理工学院和哈佛大学布罗德研究所及麻省理工学院、哈佛大学和麻省总医院拉贡研究所成员Bokai Zhu领导。
Zhu解释了这一新工具的影响："最初我们会说，哦，我找到了一个细胞。这被称为T细胞。使用相同的数据集，通过应用CellLENS，现在我可以告诉您这是T细胞，并且它正在攻击特定患者的肿瘤边界。"
"我可以利用现有信息更好地定义什么是细胞，什么是该细胞的亚群，该细胞正在做什么，以及该细胞潜在的功能读数。这种方法可能用于识别提供关于患病细胞具体和详细信息的新生物标志物，从而允许开发更具针对性的治疗方法。"
这是一个关键的进展，因为当前的方法通常会错过关键的分子或上下文信息——例如，免疫疗法可能会针对仅存在于肿瘤边界处的细胞，限制疗效。通过使用深度学习，研究人员可以利用CellLENS检测许多不同的信息层，包括形态学和细胞在组织中的空间位置。
当应用于来自健康组织和几种癌症的样本，包括淋巴瘤和肝癌时，CellLENS发现了罕见的免疫细胞亚型，并揭示了它们的活动和位置如何与疾病过程相关联——比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工具帮助我们更全面地了解组织内的异常细胞行为感到非常兴奋，"合著者Alex K. Shalek说道，他是医学工程和科学研究所（IMES）的主任，IMES和化学的J. W. Kieckhefer教授，麻省理工学院科克综合癌症研究所的外部成员，以及布罗德研究所和拉贡研究所的研究所成员。
"我们现在可以使用尖端的多组学检测方法测量有关个体细胞及其组织背景的大量信息。"
"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步骤。当我们结合正确的输入数据和仔细的下游验证时，这类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】
