طیف سنجی رامان تأثیر ایمونوتراپی بر تومورها را روشن می کند

طیف سنجی رامان تأثیر ایمونوتراپی بر تومورها را روشن می کند


مهندسان دانشگاه جان هاپکینز می گویند از یک کاوشگر نوری غیرتهاجمی برای درک تغییرات پیچیده تومورها پس از ایمونوتراپی استفاده می کنند. آنها می افزایند که روش آنها ترسیم نقشه دقیق ترکیب بیوشیمیایی تومورها با یادگیری ماشینی است.

ایشام بارمن ، دکترا ، دانشیار مهندسی مکانیک در دانشگاه جان هاپکینز ، اشاره می کند که “ایمونوتراپی واقعاً مانند جادو عمل می کند و دیدگاه ما را در نحوه مدیریت سرطان به طور اساسی تغییر داده است.” او یکی از نویسندگان این مطالعه است (“طیف سنجی رامان و یادگیری ماشینی تغییرات اولیه ریزمحیط تومور ناشی از ایمونوتراپی را نشان می دهد”) ، که با همکاری همکارانش در دانشگاه آرکانزاس انجام شد و در تحقیق سرطانبه “با این حال ، تنها حدود 25 درصد از بیماران از آن سود می برند ، بنابراین نیاز مبرم به شناسایی نشانگرهای زیستی پیش بینی کننده برای تعیین افرادی که باید تحت درمان قرار بگیرند وجود دارد.”

طیف سنجی رامان از نور برای تعیین ساختار مولکولی مواد استفاده می کند. این تیم تومورهای سرطان روده بزرگ را در موش های تحت درمان با دو نوع مهارکننده بازرسی ایمنی که در ایمونوتراپی مورد استفاده قرار می گرفت و همچنین گروه کنترل موش های درمان نشده ، مورد بررسی قرار داد.

“ایمونوتراپی سرطان مزایای بالینی پایداری را تنها برای بخش کوچکی از بیماران فراهم می کند و تشخیص این بیماران به دلیل عدم وجود نشانگرهای زیستی قابل اعتماد برای پیش بینی و ارزیابی پاسخ به درمان دشوار است. در اینجا ما اولین کاربرد طیف سنجی Raman بدون برچسب را نشان می دهیم. برای روشن ساختن تغییرات بیولوژیکی ناشی از مهارکننده های بازرسی ایست ایمنی. برای CTLA-4 و ضد PD-L1 (ICI) در ریز محیط تومور (TME) زنونوفت های کولورکتال ، ”محققان می نویسند.

دقت منحنی چند متغیره تجزیه حداقل مربعات (MCR-ALS) مجموعه داده های طیف سنجی Raman تغییرات اولیه در چربی ، DNA و محتوای کلاژن را پس از درمان نشان داد. پشتیبانی از طبقه بندی کننده های ماشین بردار و تجزیه و تحلیل جنگل های تصادفی ، دقت پیش بینی پاسخ عالی را برای ICI ها و نشانگرهای طیفی مخصوص درمان ، مطابق با مکانیسم های متفاوت عملکرد آنها ، ارائه می دهد.

“با پشتیبانی از تجزیه پروتئومیکس ، مشاهده تغییرات زیست مولکولی در TME باید تحقیقات دقیق ترجمه این نشانگرها و طیف سنجی Raman بدون برچسب را برای نظارت بالینی پاسخ ایمنی درمانی در بیماران سرطانی تحریک کند.”

بهینه شده برای برنامه های زیست پزشکی

طیف سنجی رامان اخیراً برای کاربردهای زیست پزشکی بهبود یافته است. Santosh Baidi ، PhD ، یکی از نویسندگان اصلی که بر روی این تحقیق به عنوان دانشجوی دکتری مهندسی مکانیک در جانز هاپکینز کار کرده است ، می گوید: “این اولین مطالعه ای است که توانایی این فناوری نوری را در شناسایی واکنش اولیه یا مقاومت در برابر ایمونوتراپی نشان می دهد.” دانشگاه

باییدی ، که اکنون فوق دکترای دانشگاه کالیفرنیا ، برکلی است ، می گوید: یکی از مزایای طیف سنجی Raman این است که ویژگی مولکولی قابل توجهی را ارائه می دهد. “شما یک امضای مولکولی دقیق دریافت می کنید.”

به گفته دانشمندان ، این روش همچنین برای بررسی تغییرات ترکیب ریز محیط تومور و نه فقط سلولهای سرطانی مناسب است.

“ما به جای هدایت برخی مولکول های مشکوک ، علاقمند هستیم تا تصویر جامع تری از ریز محیط تومور بدست آوریم. این به این دلیل است که تومور فقط یک سلول بدخیم نیست. محیط میکرو شامل ترکیبی پیچیده از استرومای تومور ، عروق خونی ، نفوذ کننده به سلول های التهابی است. ، و انواع سلولهای بافت همراه ، “بارمن توضیح می دهد. “ایده ما این است که این رویکرد را در نظر بگیریم و آن را طوری سازماندهی کنیم که پزشکان بتوانند از آن برای تعیین اینکه آیا ایمونوتراپی برای بیمار مفید است استفاده کنند.”

این تیم از داده های رامان – حدود 7500 نقطه داده طیفی از 25 تومور – برای آموزش الگوریتمی برای شناسایی مجموعه ای از ویژگی های ناشی از ایمونوتراپی استفاده کرد.

بارمن ادامه می دهد ، “س Ourال ما این بود که آیا می توان بین این سه گروه تمایز قائل شد ، و سپس چه ویژگی های طیفی خاصی به ما اجازه می دهد بین آنها تمایز قائل شویم.”

این تیم از داده های موش های مختلف برای ساخت طبقه بندی یادگیری ماشین و آزمایش عملکرد آن استفاده کردند. هدف شبیه سازی واریانس بیولوژیکی بود که الگوریتم هنگام ارائه داده های جدید با آن مواجه می شد.

بارمن خاطرنشان می کند: “شما باید بدون شک منطقی ثابت کنید که تفاوت هایی که مشاهده می کنید به دلیل مهارکننده های ایست بازرسی ایمنی است و نه فقط تفاوت بین دو نفر.”

این تیم اظهار داشت که نتایج امیدوار کننده بود. بارمن می گوید: “ما توانستیم نشان دهیم که سطح کلاژن ، سطح لیپیدها و سطح DNA و توزیع فضایی آنها در تومور هنگام انجام هر یک از درمان های بازدارنده ایست بازرسی ایمنی به طور قابل توجهی تغییر می کند.”

تفاوتها جزئی اما از نظر آماری معنی دار و با تجزیه پروتئومیکس انجام شده بر روی نمونه ها مطابقت داشت ، که نشان دهنده قدرت تکنیک در ارائه علائم اولیه نحوه واکنش تومور به درمان بود.

تحقیقات بیشتری مورد نیاز است ، اما تیم معتقد است که کار آنها راه را برای توسعه راهی برای پیش بینی اینکه آیا بیمار به ایمونوتراپی پاسخ مثبت می دهد ، هموار می کند.

باییدی پیش بینی می کند: “همراه با یادگیری ماشینی ، طیف سنجی رامان می تواند رویکردهای بالینی را برای پیش بینی پاسخ درمانی تغییر دهد.”

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *