相关实验视频
Updated: Jun 24, 2025
06:27
A Protocol for Explant Cultures of IDH1-mutant Diffuse Low-grade Gliomas
Published on: May 9, 2025
313
基于Raman的机器学习平台揭示了IDHmut和IDHwt质瘤之间的独特代谢差异
Adrian Lita1, Joel Sjöberg2, David Păcioianu3
1National Cancer Institute, National Institutes of Health, Neuro-Oncology Branch, Bethesda, Maryland, USA.
Neuro-oncology
|June 3, 2024
概括
一个新的计算工作流,APOLLO,在FFPE组织幻灯片上使用拉曼光谱来分类质瘤亚型并确定分子差异. 这种无标签的方法从存档的癌症组织中提取有价值的生物学见解.
科学领域:
- 生物医学光学 生物医学光学
- 分子病理学分子病理学
- 计算生物学 计算生物学
背景情况:
- 在癌症诊断和生物银行方面,固定在甲上,嵌入 (FFPE) 组织至关重要.
- 来自嵌入介质的背景噪声在拉曼光谱学中限制了FFPE组织的使用.
- 使用拉曼光谱分析FPE组织的开发方法对于释放它们的全部潜力至关重要.
研究的目的:
- 在FFPE组织幻灯片上使用拉曼光谱来分类质瘤亚型的计算工作流程 (APOLLO).
- 识别用于区分质瘤亚型和分子特征的新型拉曼光谱标记.
- 为了证明存档的FFPE组织的无标签分子分析的可行性.
主要方法:
- 利用自发拉曼光谱技术对46个FFPE质瘤样本进行分子指纹.
- 采用机器学习 (SVM,随机森林) 来构建瘤/非瘤,IDH1状态和甲基化亚型的分类器.
- 使用刺激拉曼光谱和质谱测量验证了关键拉曼频率.
主要成果:
- 开发了APOLLO,这是一个基于拉曼光谱的工作流来区分瘤和非瘤的FFPE组织.
- 确定了与瘤中的DNA和蛋白质相关的新型拉曼峰.
- 成功地将IDH1突变异型与野生型质瘤区分开来,并注意到IDH1突变异型瘤中胆固醇度较高.
- 在分类临床相关的质瘤甲基化亚型 (G-CIMP高与G-CIMP低) 中取得了高准确性.
结论:
- 没有标签的拉曼光谱学可以有效地从FFPE幻灯片中分类质瘤亚型.
- APOLLO提供了一种从存档的FFPE组织中提取有意义的生物信息的方法.
- 这种方法对未来使用FFPE样本分析其他癌症类型的应用具有前景.
