使用MAP-HR进行自动机器学习分析,用于量化患者样本中的同类重组焦点

科学领域:

• 在瘤学瘤学.
• 分子生物学分子生物学
• 生物技术是生物技术.

背景情况:

• 准确识别同源重组缺陷 (HRD) 对于指导癌症患者的PARP抑制剂 (PARPi) 和基疗法至关重要.
• 免疫光 (IF) 试验为可视化DNA修复焦点提供了潜力,但需要精确的量化才能获得临床效用.

研究的目的:

• 开发和验证MAP-HR (同类重组的机器学习辅助分析),这是一个可扩展的机器学习平台,用于评估人力资源状态.
• 以HRD为基础,为针对性癌症治疗提供准确和高效的患者分组.

主要方法:

• 集成的高分辨率,四通道IF成像与双子座,RAD51焦点,γH2AX焦点和DAPI的自动分析.
• 使用旋盘共聚焦显微镜优化成像参数,以提高分辨率和信号噪声比.
• 在细胞系和FFPE患者样本中使用嵌套核和焦点细分用于单细胞HR状态分析.

主要成果:

• MAP-HR管道成功地分析了单细胞水平上的HR状态,评估了患者活检中的功能异质性.
• 在不同细胞群和患者组织中,对HR和基于焦点的过程进行了强有力的比较.
• 验证了平台的可扩展性,用于翻译研究.

结论:

• MAP-HR提供了一种可扩展的,基于机器学习的方法,用于使用IF成像进行精确的HRD评估.
• 这个平台为PARPi和基疗法提供了准确的患者分层.
• 通过在临床样本中进行强有力的HR状态评估,MAP-HR支持翻译研究.