癌细胞和腺体的无注释预测和免疫细胞的空间分析

科学领域:

• 计算病理学和空间蛋白质组学
• 癌症免疫学和瘤微环境分析

背景情况:

• 前列腺癌被归类为"免疫感冒",免疫细胞透程度有限,临床结果相关性不清楚.
• 研究免疫细胞和癌细胞/腺体之间的空间关系至关重要,但由于缺乏自动分类工具而受到阻碍.

研究的目的:

• 开发一个端到端的工具 (TOPAZ),将多重单细胞蛋白质数据与组织学图像集成在一起,用于前列腺癌中自动细胞和腺体的分类.
• 提取多尺度的空间特征,并将它们与生化复发风险和癌症等级相关联.

主要方法:

• 开发了TOPAZ (利用空间蛋白质组学进行组织组织识别),结合了高斯混合模型用于细胞类型和主要曲线估计用于腺体分类.
• 将TOPAZ应用于217名前列腺癌患者的753个组织核心的多重免疫光成像数据.
• 提取的空间特征包括免疫密集区域几何和细胞到腺体距离.

主要成果:

• 托帕兹获得了82%的灵敏度和99%的特异性,用于针对专家注释的癌症/非癌症细胞分类.
• 调控性T细胞和辅助性T细胞的百分比下降,而巨细胞的百分比随着更高的癌症等级而增加.
• 从癌症腺中心体到调节性或辅助性T细胞的距离 (>50微米) 增加,使生物化学复发的危险增加了一倍.

结论:

• 托帕兹为细胞和腺体的分类提供了一个自动化的工作流程,产生与前列腺癌预后相关的可解释的空间特征.
• 免疫细胞和癌细胞之间的空间关系是临床结果的重要预测因素,挑战了"免疫感冒"分类.
• 开源的TOPAZ网络应用程序促进了对瘤微环境和癌症进展的进一步研究.