科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 病理学 病理学 病理学

背景情况:

• 多重免疫光学 (mIF) 允许在组织部分同时检测多个蛋白质生物标志物.
• 高复杂的CODEX系统能够对40多种生物标志物的成像进行详细的分子表型和细胞相互作用分析.
• 与高度复杂的数据采集相关的成本和时间限制了其临床适用性.

研究的目的:

• 开发一个机器学习框架 (7-UP) 来从标准的7个复数mIF面板计算生成高复数Codex数据.
• 为了利用细胞形态学来赋予缺失的生物标志物信息.
• 评估计算数据对细胞类型分类和患者结果预测的有用性.

主要方法:

• 开发了7-UP机器学习框架.
• 将 7-UP 应用于标准的 7 倍数 mIF 数据,以生成 in silico 40 倍数 CODEX 数据.
• 用于细胞类型分类和生存预测的假定生物标志物的验证.
• 对不同临床场所和癌症类型的归算概括性的评估.

主要成果:

• 7-UP框架成功地从7个复数mIF面板中以单细胞分辨率生成了40个复数的CODEX数据.
• 导入的生物标志物准确地分类了细胞类型,并预测了患者的生存结果.
• 7-UP的归算在各种临床样本和癌症类型中表现出强大的概括性.

结论:

• 7-UP 方法可以通过计算生成高复杂的 CODEX 数据,使先进的分子表型更容易获得.
• 这种方法使高复合成像的见解民主化,促进了在研究和潜在的临床环境中更广泛的应用.
• 7-UP为in silico CODEX开辟了道路,扩大了标准的mIF分析的实用性.