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) 是一种具有攻击性,其特征是形成一种脱塑性瘤微环境,促进治疗耐药性.
• 了解在这种富含斯特罗马的环境中的空间细胞相互作用,对于优化癌症治疗至关重要.
• 目前的成像分析方法在复杂瘤组织的可扩展性和可重复性方面存在困难.

研究的目的:

• 开发和验证一个开源的计算管道,用于分析瘤中的空间细胞分布.
• 在单细胞分辨率下量化细胞与树皮区域的近距离和生物标志物表达.
• 改善在具有挑战性的瘤微环境中对药物反应的评估.

主要方法:

• 使用QuPath,StarDist和Python进行自动核细分和细胞分类的集成工作流.
• 机器学习应用于用于细胞表型的多重标志物表达.
• 用于建模 stromal 区域的纤维素染色,使用统计方法进行值正常化.
• 量化细胞与树叶边界的近距离,并分析特定的生物标志物,如NDRG1和Ki67.

主要成果:

• 该管道成功量化了整个瘤部分的单细胞和亚细胞生物标志物表达.
• 它使得与PDAC异种移植中的纤维内素定义 stromal 区域相对空间细胞模式的可靠分析.
• 引入了一种新的统计策略,以确保具有可变染色强度的图像之间的一致性.

结论:

• 开发的开源计算管道提供了一种可扩展和可重复的方法,用于分析结构丰富组织中的空间细胞状态.
• 该工具增强了对瘤微环境复杂性及其对治疗耐药性的影响的理解.
• 该管道适用于各种生物标志物和瘤类型,促进未来的癌症研究.