一个图像分析管道,以量化细胞标记物的空间分布在丰富的瘤中

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 生物医学成像技术 生物医学成像技术

背景情况:

• 胰腺管道腺癌 (PDAC) 具有阻碍治疗的脱塑性瘤微环境.
• 了解在这种丰富的环境中的空间细胞相互作用对于优化治疗结果至关重要.
• 目前在全幻灯片图像中分析细胞分布相对于树叶区域的方法在可扩展性和可重现性方面有限.

研究的目的:

• 开发和验证一个开源的计算管道,用于分析瘤组织中的空间细胞分布和生物标志物表达.
• 为了能够精确地绘制流体-瘤接口,并量化细胞与流体区域的距离.
• 通过提供有关细胞结构和分布的详细见解,改善治疗反应的评估.

主要方法:

• 开发了一个开源管道,集成QuPath,StarDist和Python,用于对整个幻灯片瘤图像的单细胞和亚细胞分辨率分析.
• 实现了自动化的细胞核细分,基于机器学习的细胞分类和基于纤维菌素的树皮区域建模.
• 引入了强大的分类值跨异质数据集的翻译的统计策略,并量化了细胞与树皮边界的近距离.

主要成果:

• 该管道成功量化了生物标志物表达的空间模式 (NDRG1,Ki67) 相对于PDAC异种移植中的纤维菌素定义的 stromal 区域.
• 证明了管道在整个瘤部分的单细胞分辨率下分析细胞分布和相互作用的能力.
• 通过对分类值的敏感性分析验证了分析的稳定性.

结论:

• 开发的计算管道提供了一种可扩展和可重复的方法,用于分析丰富的肌体组织中的空间细胞状态.
• 这种方法为瘤微环境架构和细胞相互作用提供了关键的见解,这对于理解治疗耐药性至关重要.
• 该管道的开源可用性促进了其在多种多层癌症研究和治疗开发中的应用.