在卵巢和结肠癌细胞系中使用机器学习进行基于纳米运动的药物敏感性预测
Katja Fromm1, Jan Winnicki1, Grzegorz Jóźwiak1
1Resistell AG, Hofackerstrasse 40, 4132 Muttenz, Switzerland.
ACS pharmacology & translational science
|September 19, 2025
概括
本研究介绍了一种基于纳米运动的药物敏感性测试 (DST) 方法. 它使用纳米级运动分析和机器学习快速识别癌症药物耐药性,为当前方法提供更快的替代方案.
科学领域:
- 在瘤学瘤学.
- 生物物理学的生物物理.
- 纳米技术纳米技术
背景情况:
- 抗癌药物耐药性是有效治疗癌症的主要障碍.
- 目前用于药物耐药性的诊断工具往往耗时或间接.
研究的目的:
- 开发和验证使用纳米运动技术的快速,无标签的药物敏感性测试 (DST) 方法.
- 评估纳米运动分析与机器学习相结合的潜力,以对药物敏感和耐药癌细胞进行分类.
主要方法:
- 利用无标签的实时纳米运动技术来测量动态细胞反应.
- 应用监督机器学习来分析从用多克索鲁比治疗的结肠和卵巢癌细胞的纳米运动信号中提取的特征.
- 对药物敏感性和耐药性细胞系的评估分类准确性.
主要成果:
- 在区分用多克索鲁比治疗的结肠癌细胞与未治疗的结肠癌细胞方面获得了90.9%的准确性.
- 在对多克索鲁比敏感和抗性卵巢癌细胞的分类中达到84.6%的准确性.
- 在药物暴露后4小时15分钟内证明了对抗性卵巢癌细胞的完美分类.
结论:
- 基于纳米运动的DST提供了直接的表型读数,为评估癌细胞药物反应提供了更快,无标签的替代方案.
- 这项技术通过实现更快的临床决策,为个性化瘤学带来了巨大的潜力.
- 需要使用扩展数据集进行进一步的研究,以提高广泛临床应用的概括性.
