《Cell Discovery》：生物3D打印聯(lián)合機器學習揭示腫瘤微環(huán)境和藥物敏感性

近日，姚瑜博士課題組和復旦大學附屬華山醫(yī)院姚瑜教授團隊合作開發(fā)了基于生物3D打印和人工智能算法的腦膠質(zhì)瘤微環(huán)境研究及藥物篩選新方法。研究成果Integration of 3D bioprinting and multi-algorithm machine learning identified glioma susceptibilities and microenvironment characteristics發(fā)表于Cell Discovery。

腦膠質(zhì)瘤是一種復雜的中樞神經(jīng)系統(tǒng)癌癥，在不同患者之間具有顯著遺傳和表型異質(zhì)性。腦膠質(zhì)母細胞瘤（GBM）是致死率最高的膠質(zhì)瘤，其五年生存率僅為6.9%，且復發(fā)率極高。本研究在臨床相關背景下，首次創(chuàng)新整合生物3D打印和機器學習兩項前沿技術，從實驗和計算雙重角度預測和評估多模式腫瘤治療反應、探索復雜的腫瘤微環(huán)境特性。

亮點匯總

具體研究內(nèi)容
生物3D打印患者腫瘤微組織（PDT）高度重現(xiàn)患者的遺傳特征和臨床藥物反應

研究團隊從22名成人和1名兒童高級別膠質(zhì)瘤患者處獲取了手術切除的腫瘤組織，并成功打印培養(yǎng)了所有患者的3D微組織作為該患者的個性化藥敏實驗模型。研究團隊采用賽箔生物自主研發(fā)的Biocube高通量光固化打印機、適配腦膠質(zhì)瘤的生物墨水，準確地模擬了膠質(zhì)瘤的細胞外基質(zhì)特點，實現(xiàn)PDT構建成功率100%。通過RNA測序和全外顯子測序?qū)Ρ然颊邩颖竞推鋵�應PDT，發(fā)現(xiàn)它們在分子特征上高度一致，且優(yōu)于基質(zhì)膠培養(yǎng)的患者類器官（PDO）。

對臨床在用藥物的測試中，PDT能夠準確反映復發(fā)患者對于金標準藥物替莫唑胺的耐藥性（通過pMGMT甲基化狀態(tài)反映復發(fā)患者耐藥性的比例僅有33%），以及對洛莫司汀更高的敏感性，證實PDT能夠準確提示臨床藥物的易感性。以上結果證實PDT能夠準確反映個體的藥物敏感性，與臨床結果相關性高。此外，研究人員還測試了兒童膠質(zhì)瘤患者常用的鉑類藥物（順鉑、洛鉑），四個臨床在用藥物中僅有洛鉑在PDT中腫瘤抑制率的中位數(shù)和平均數(shù)都超過50%，顯示對膠質(zhì)瘤治療具有一定潛力。

人工智能融合模型GlioML：優(yōu)于單一模型的藥效預測效果

考慮到藥物有不同的作用機制，因此單一算法無法提供所有藥物的最佳預測，研究團隊同時開發(fā)了一個集成11種算法的機器學習融合模型GlioML。結果顯示神經(jīng)網(wǎng)絡（Neural Network）模型和梯度提升（Gradient Boosting）模型，在基于基因表達特征預測藥物反應方面的優(yōu)越預測能力。這兩類算法產(chǎn)生了超過99%的最佳單一算法預測器，而k近鄰算法（kNN）類模型未能生成任何最佳預測器。通過基礎模型的有效組合和優(yōu)化權重，GlioML的加權集成模型在所有化合物的訓練數(shù)據(jù)集中均優(yōu)于所有單一算法。

從癌癥細胞系百科全書（CCLE）中已建立的基因表達數(shù)據(jù)和癌癥治療反應門戶（CTRP）中的藥物反應數(shù)據(jù)，提取并篩選了與研究最相關的基因集，作為團隊開發(fā)的GlioML機器學習工作流程的初始特征集。為了防止組學數(shù)據(jù)多（特征多）而樣本量少帶來的過擬合問題，研究團隊進行了多輪特征工程，從而減少訓練中使用的特征數(shù)量。

PDT聯(lián)合GlioML發(fā)現(xiàn)潛力化合物、預測患者藥物敏感性

研究團隊探索了結合PDT和GlioML算法來發(fā)現(xiàn)具有潛在臨床療效的化合物、預測膠質(zhì)瘤患者藥物敏感性等方面的協(xié)同潛力。研究人員采用3個GlioML模型推薦的非膠質(zhì)瘤相關化合物和臨床金標準藥TMZ分別處理不同患者的PDT。這3個化合物包括GPX4抑制劑RSL、白血病藥達沙替尼和調(diào)脂藥洛伐他汀，經(jīng)過藥物處理后的PDT的中位存活率分別為5.8％、4.2％和50％，腫瘤抑制效果均顯著超過了臨床用藥TMZ。盡管測試化合物的腫瘤殺傷效率各不相同，但經(jīng)CCNU、順鉑、洛鉑、達沙替尼、洛伐他汀和RSL處理的PDTs腫瘤存活率均顯著低于未處理對照組。在兒童膠質(zhì)瘤患者常用的鉑類藥物中，洛鉑顯示出比順鉑更好、更集中的療效。由于PDTs顯示出與臨床TMZ和CCNU反應的高度一致性，GlioML所發(fā)現(xiàn)的潛力化合物在PDTs中的優(yōu)越腫瘤殺傷效果支持了GlioML在膠質(zhì)瘤藥物發(fā)現(xiàn)中的重要價值。

同時，聚類分析顯示GlioML預測的藥物敏感性，能夠明顯區(qū)分WHO III級和IV級膠質(zhì)瘤，提示不同階段的膠質(zhì)瘤患者對藥物反應不同。GlioML在WHO IV級膠質(zhì)瘤中表現(xiàn)出強大的預測潛力，表明當前的GlioML模型更擅長預測惡性程度高的膠質(zhì)瘤。

生物3D打印PDT能夠維持腫瘤微環(huán)境內(nèi)免疫細胞

高級別膠質(zhì)瘤組織內(nèi)含有包括免疫細胞和內(nèi)皮細胞在內(nèi)的非腫瘤異質(zhì)性細胞群體。本研究收集的患者樣本顯示了不同比例的間質(zhì)細胞，尤其是CD45+免疫細胞，生物3D打印的PDT有效地保留了這些間質(zhì)細胞。比較12對匹配的患者組織和PDT發(fā)現(xiàn)，除個別情況下觀察到CD45+比例降低外，其余無顯著差異。

GlioML聯(lián)合生物3D打印GBM模型研究腫瘤免疫微環(huán)境

為了解決PDTs中病人特異性特征和不一致的細胞組成帶來的機制研究的挑戰(zhàn)，研究團隊采用基于DLP的生物3D打印技術創(chuàng)建了工程化的多細胞GBM腫瘤免疫、腫瘤免疫內(nèi)皮模型。這些模型嘗試精確重現(xiàn)PDT中涉及的三種主要細胞群體：代表外周血起源的腫瘤相關巨噬細胞（TAM）的CD14+細胞，代表腦來源的TAM的P2RY12+細胞，和代表內(nèi)皮細胞的CD31+細胞。

這些工程化多細胞模型使得評估包括GlioML識別的小分子化合物、T細胞療法和貝伐單抗等靶向治療在內(nèi)的各種治療方法成為可能。

結果還揭示了生物3D打印GBM腫瘤免疫模型中，不同來源巨噬細胞能夠塑造有顯著差異的腫瘤微環(huán)境，可被應用于開發(fā)靶向GBM微環(huán)境、增強臨床療效的新策略。

文獻鏈接：https://www.nature.com/articles/s41421-024-00650-7

姚瑜博士官網(wǎng)鏈接：
https://www.huashan.org.cn/phone/zhuanjia/detail/6019.html

湯忞博士官網(wǎng)鏈接：
https://iiimr.shutcm.edu.cn/2022/0709/c4069a154362/page.htm