一个基于形态的机器学习模型,用于通过器官动力学来评分表皮质-介质细胞可塑性.
Justin Slager1, Francesca Gatto1, Benjamin Frey2
1Division of Pathology, Department of Laboratory Medicine, Karolinska Institutet, Stockholm, Sweden.
Communications biology
|December 10, 2025
概括
我们开发了一种机器学习方法,通过分析器官活力来量化表皮层-介质细胞过渡 (EMT) 状态. 这种方法准确地在各种癌细胞中得分EMT,为药物发现和治疗耐药性研究提供了一个新的工具.
科学领域:
- 细胞生物学 细胞生物学
- 癌症研究 癌症研究
- 计算生物学 计算生物学
背景情况:
- 表皮-介质细胞转换 (EMT) 对癌症的进展和治疗耐药性至关重要.
- 量化EMT状态,包括混合表型,是具有挑战性的,但对于治疗策略至关重要.
- 现有的方法缺乏捕捉EMT动态的全谱的能力.
研究的目的:
- 开发一种基于形态学的新型机器学习方法来量化EMT状态.
- 建立一个可扩展的框架来评估表皮层-介质细胞的可塑性.
- 为了使药物发现和确定克服耐药性的策略.
主要方法:
- 利用细胞绘画试验和高通量显微镜分析器官动态.
- 在TGF-β1诱导的EMT的时间过程数据上训练了一个直方图梯度增强分类器.
- 在不同的数据集和细胞类型中验证了模型的性能.
主要成果:
- 机器学习模型准确量化了EMT动力学,混合状态和介质细胞-上皮细胞过渡 (MET).
- 在人类乳腺癌和肺癌细胞中证明了跨物种,跨诱导体和跨癌症的适用性.
- 已建立的有机体形态分析作为评估上皮层-介质细胞可塑性的强有力的方法.
结论:
- 器官形态分析提供了一个可扩展和准确的方法来量化EMT.
- 这种方法可以应用于各种癌症类型和诱导因子,包括缺氧.
- 开发的框架为治疗治疗EMT相关癌症进展和耐药性的治疗干预提供了一个有希望的平台.
