哪个网站可以做创意短视频网站,python做的网站有什么漏洞,石家庄城市建设档案馆网站,10种禁用免费app小罗碎碎念 24-05-25文献速递 今天想和大家分享的是肿瘤治疗领域的另一个热点——单细胞技术#xff0c;我们一起来看看#xff0c;最新出炉的顶刊#xff0c;是如何把AI与单细胞结合起来的。
另外#xff0c;今天是周末#xff0c;所以会有两篇文章——一篇文献速递我们一起来看看最新出炉的顶刊是如何把AI与单细胞结合起来的。
另外今天是周末所以会有两篇文章——一篇文献速递一篇文献精析介绍哈佛医学院的那篇3D病理感兴趣的同学可以看完这篇以后移步下一篇。 想看临床故事的看第一、二、三、六篇文章如果想找算法的可以着重看看第四和第五篇文章都是最新发表的保证你能有收获。尤其是第四篇文章居然用AI病理来研究胎盘可能是因为我之前一直关注的都是肿瘤领域病理的应用所以看到这篇文章的时候还是被小小的惊艳了一下。
希望今天的推文能对你有所启发也希望小罗的文字能给走在艰难科研道路上的你一丝慰藉。我们明天见 交流群 欢迎大家来到【医学AI】交流群本群设立的初衷是提供交流平台方便大家后续课题合作。 一、破解胰腺癌之谜三维基因组图谱揭示病变多发性与遗传异质性 文献概述
这篇文章是一项关于人类胰腺癌前病变PanINs的三维基因组图谱研究。
研究团队利用机器学习驱动的三维组织重建技术CODA对46个大体正常的人类胰腺组织样本进行了分析以单细胞分辨率重建了三维组织结构。
研究发现尽管PanINs体积小且在人体中难以接近但它们是胰腺癌最常见的前体病变。 研究的主要发现包括 人类胰腺中PanINs的数量、尺寸和连接性在以前是未知的本研究通过三维分析揭示了这些特征。平均每立方厘米胰腺组织中有13个PanINs估算正常成人胰腺中存在数百个PanINs。大多数PanINs作为独立的克隆体出现具有不同的体细胞突变特征。一些空间上连续的PanINs含有多种KRAS突变表明它们具有多克隆起源。PanINs的广泛多发性和遗传异质性引发了关于驱动胰腺癌起始和差异性进展风险机制的重要问题。
这项研究提供了人类PanINs分子变化的详细三维基因组图谱为胰腺癌的早期检测和合理干预提供了实证基础。研究还发现KRAS基因的热点突变在PanINs中的分布与胰腺导管腺癌(PDAC)相似表明KRAS突变在选择优势为PanINs发展提供关键优势的早期阶段就已发生。
此外研究还利用了多区域目标和全外显子测序WES技术来评估PanINs内部和PanINs之间的遗传异质性。通过对多个区域的测序分析研究揭示了PanINs在个体内部的复杂遗传起源以及它们如何在空间上独立发展。
这项研究的局限性在于所分析的大体正常组织可能并不代表真正的“正常”胰腺且患者的年龄范围并不反映一般人群。尽管如此这项研究为理解胰腺肿瘤发生的早期步骤提供了新的见解并为未来关于PanINs多焦性和进展风险分层的研究奠定了基础。 重点关注 用于 CODA 3D 建模和测序的组织处理工作流程和队列 这个流程图分为几个部分详细说明了如何从胰腺组织样本中创建三维模型并进行后续的基因组测序分析。
顶部左侧展示了胰腺组织样本的处理过程。每个胰腺组织块被连续切片每隔两片就取一片进行染色使用苏木精和伊红染色即 HE 染色并进行成像以便用于 3D 建模。
顶部右侧介绍了 CODA计算机辅助设计自动化技术如何应用于这些连续切片的 HE 染色图像。通过图像配准技术将这些二维图像组合成一个数字体积然后利用深度学习对不同的组织类型进行标记这使得可以重建胰腺的微观结构的三维模型。
中间部分说明了有38个组织块仅用于 3D 建模分析。这意味着这些样本只进行了成像和三维重建没有进行进一步的基因组测序。
底部部分描述了另外8个组织块的处理。这些样本不仅进行了 3D 建模而且利用 3D 模型引导的多区域显微切割技术对空间上不同的 PanINs胰腺上皮内瘤变进行显微切割。这些切割下来的组织样本随后用于下一代测序NGS和全外显子测序WES以分析它们的基因组变异。
总的来说Fig. 1 展示了一个综合的多步骤工作流程从组织样本的采集和处理到利用先进的成像和计算技术进行三维重建再到通过显微切割和基因组测序进行深入的分子分析。这个过程不仅提供了组织结构的详细视图还允许研究人员探索这些结构在分子层面的变化从而更深入地理解胰腺癌的发展。 二、打破肾癌免疫治疗的常规低HLA特异性高治疗效果 文献概述
这篇文章是一项关于免疫疗法在治疗晚期透明细胞肾细胞癌aRCC中应用的研究。研究团队通过多组学映射和空间分析发现了一种新的肿瘤转录组特征即低HLA抗原肽结合特异性HLAprLOW的签名该特征可以预测患者对免疫检查点阻断ICB治疗的临床反应。
研究包括对超过1000名患者的肿瘤转录组进行综合分析并通过单细胞和空间分辨率进行验证。研究发现与ICB治疗反应正相关的是肿瘤相关巨噬细胞TAMs和前耗竭的CD8 T细胞之间的特定交叉作用这种交叉作用通过具有更高偏好于肿瘤新抗原的人类白细胞抗原HLA谱来区分。
研究者们利用机器学习流程从多组学数据中派生出一个新的肿瘤转录组足迹用于预测HLAprLOW。这个机器学习签名与ICB治疗后的真实世界数据和独立临床队列中的积极结果相关联。此外使用RENCA肿瘤小鼠模型的实验表明CD40激动剂与PD1阻断相结合可以增强促炎性肿瘤相关巨噬细胞和CD8 T细胞从而实现相对于其他测试方案的最大抗肿瘤效果。
因此这项研究展示了一种新的多组学和空间图谱该图谱推动了aRCC患者对ICB反应的免疫社区结构。这项工作不仅为预测ICB治疗的益处提供了新的生物标记而且还为设计更有效的癌症免疫疗法提供了重要的见解。 重点关注 图1提供了关于晚期透明细胞肾细胞癌aRCCLeuven真实世界数据RWD队列研究的概览以及免疫检查点阻断ICB治疗后患者结果的统计分析。 a部分描述了研究的发现阶段研究团队首先在aRCC的Leuven RWD队列中进行了研究随后使用机器学习ML模型开发了一个签名。这个签名随后在外部批量数据集以及单细胞和空间层面上进行了验证并且还在基因组层面进行了表征。最后通过小鼠RCC/RENCA模型提供了体内功能性验证。 b部分和c部分展示了Kaplan-Meier曲线分别表示PFS无进展生存期和OS总生存期。这些曲线根据ICB治疗的类型对Leuven RWD队列的患者进行了分层。使用Cox比例风险回归模型计算了风险比HR和置信区间CI比较了接受伊普利姆玛布-纳武利尤单抗与单独纳武利尤单抗治疗的患者。同时展示了未调整UVA和多变量调整MVA调整了年龄和国际转移性RCC数据库联盟IMDC风险组后的HR和双边P值。 d部分是一个堆叠条形图显示了ICB治疗根据iRECIST标准的最佳反应包括完全反应CR、部分反应PR、稳定疾病SD、进展疾病PD和不可评估NE。使用Fisher精确检验计算了双边P值。
e部分是瀑布图展示了每位患者根据iRECIST的最大肿瘤收缩情况。CT指的是计算机断层扫描。 整体而言图1提供了一个全面的视觉总结展示了研究方法、治疗结果和统计分析这些分析有助于理解ICB治疗在aRCC患者中的临床效果。 三、从静默到侵袭揭秘乳腺导管原位癌的隐秘转变 文献概述
这篇文章是一篇关于乳腺导管原位癌DCIS向侵袭性乳腺癌IDC发展的综述。文章的主要内容包括 DCIS的特征和临床意义DCIS是乳腺癌的一种前期形式表现为乳腺导管内上皮细胞的异常增殖。如果不治疗25-60%的DCIS会发展成IDC。文章强调了区分非进展性和进展性DCIS的挑战以及这对临床治疗的影响。 DCIS和IDC的分子特征文章讨论了DCIS和IDC的分子亚型包括激素受体阳性、HER2阳性和基底样亚型并指出这些亚型与不同的肿瘤微环境和进化途径有关。 DCIS向IDC发展的分子机制文章探讨了可能促进DCIS起始和进展的关键信号通路如雌激素受体ER途径、HER2信号途径、PI3K/AKT/mTOR途径、MAPK途径和cyclin D1/CDK4/6/RB1途径。 DCIS和IDC的临床进展讨论了DCIS和IDC的预后生物标志物和临床管理包括手术、放疗、内分泌治疗和靶向治疗。 研究工具和模型文章总结了用于研究DCIS的有价值的研究工具包括体外和体内模型以及新技术如单细胞测序、空间转录组学和人工智能。 DCIS的治疗策略讨论了当前对DCIS的治疗策略包括手术、放疗和内分泌治疗并指出了治疗的争议性和过度治疗或治疗不足的问题。 DCIS的预后生物标志物文章探讨了预测DCIS复发和进展的潜在生物标志物如ER、HER2、COX-2、Ki67等并讨论了Oncotype DX DCIS评分系统。 结论和展望文章总结了DCIS研究的现状并提出了未来研究的方向包括深入理解DCIS的生物学特性、发展个性化治疗策略和改进风险分层系统。
文章强调了对DCIS更深入理解的重要性以促进更有效的临床管理并为未来的个性化治疗策略铺平道路。 重点关注 乳腺导管原位癌DCIS向侵袭性导管乳腺癌IDC进展的四种理论模型 a. 独立谱系模型Independent lineage model
这个模型假设DCIS和IDC来自两个不同的正常上皮细胞它们之间没有共享的拷贝数异常CNAs或突变。这意味着DCIS和IDC是独立发展的没有直接的谱系联系。这个模型反对DCIS是IDC前体的普遍接受的观点。
b. 进化瓶颈模型Evolutionary bottleneck model
此模型认为在DCIS向IDC的转变过程中只有具有特定遗传事件的一小部分DCIS肿瘤细胞被选择并发展成单一克隆随后突破进化瓶颈演变成IDC。这个模型强调了克隆选择的存在以及从DCIS到IDC转变过程中克隆多样性的减少。
c. 多克隆侵袭模型Multiclonal invasion model
与进化瓶颈模型不同多克隆侵袭模型指的是多个亚克隆逃逸并共同迁移到侵袭区域共同产生IDC。这个模型提出了两种情况一是多个亚克隆相互合作甚至与肿瘤微环境TME合作二是这些亚克隆具有不同的身份可能被视为“领导者”和“追随者”亚克隆一旦领导者亚克隆突破基底膜追随者亚克隆就会加入它们。这个模型认为DCIS-IDC转变是由多个癌细胞而非特定细胞群体决定的并且受到非癌细胞因素如TME变化的影响。
d. 汇聚表型模型Convergent phenotype model
这个模型描述了DCIS内不同基因型的亚克隆可能都会产生侵袭表型从而建立IDCDCIS和相关IDC之间具有一致的基因组特征。这表明具有不同基因型的肿瘤细胞可能经历潜在的相似或互补的变化并最终获得相同的侵袭表型。特别是IDC的侵袭表型可能由DCIS中多种不同的基因组异常组合决定。
这些模型提供了不同的视角来解释DCIS如何进展为IDC以及在这个过程中可能涉及的遗传和非遗传因素。它们也指出了未来研究的方向特别是在理解肿瘤细胞内在特性和肿瘤微环境如何共同推动疾病进展方面。 四、AI赋能胎盘病理攫取母婴健康的隐藏线索 文献概述
这篇文章介绍了一种名为HAPPYHistology Analysis Pipeline.PY的深度学习方法它被开发用于量化分析人类胎盘组织学全切片图像中的细胞和微观解剖结构的变异性。
HAPPY方法与传统的基于图像块的特征或分割方法不同它遵循可解释的生物学层次结构能够在全切片图像中以单细胞分辨率表示组织内的细胞和细胞群。研究团队展示了一组来自健康足月胎盘的定量指标作为未来评估胎盘健康的基线并展示了这些指标在临床上显著的胎盘梗死中的偏离情况。
HAPPY能够模拟独立临床专家和胎盘生物学文献中的细胞和组织预测。该方法的开发是为了解决胎盘病理评估中的挑战因为胎盘的异质性和时间变异性为组织学分析和病理变化的检测带来了困难。胎盘病理学对于管理母婴健康至关重要能够为即时的临床治疗提供信息预测后续妊娠中的复发风险以及母婴长期的不良结果并解释妊娠丢失的潜在原因。 HAPPY通过三个阶段的深度学习管道工作
i) 用于核定位的对象检测模型ii) 用于细胞分类的图像分类模型iii) 用于组织分类的图神经网络GNN
该方法能够处理任意形状或大小的输入图使其能够应用于其他WSIs。HAPPY的代码库、训练数据和训练模型公开可用支持最常用的WSI扫描仪格式并提供了创建数据集和可视化输出的实用工具以及培训和推理工作流程的教程。
此外文章还讨论了HAPPY方法的泛化能力和领域转移问题即模型对于未来数据的泛化能力必须对染色差异保持不变。研究者们通过数据增强和自定义的HE染色增强探索了核检测和细胞分类模型对染色不变性的影响。
最后文章提出HAPPY方法为胎盘健康和病理过程的定量指标提取提供了基础有望成为围产期病理学家和胎盘研究的宝贵数字组织病理学工具。 重点关注 Fig. 1 展示了 HAPPYHistology Analysis Pipeline.PY的工作流程这是一个深度学习驱动的方法用于分析人类胎盘组织学全切片图像Whole Slide Images, WSIs。 以下是对这一流程的分析 图像分割全切片图像首先被分割成重叠的小块图像尺寸为1600×1200像素对应物理尺寸为177.44×133.08微米。这种分割允许模型处理图像的不同部分同时重叠确保了边界区域的细胞也能被完整地检测到。 核定位这些小块图像被输入到一个基于RetinaNet的对象检测模型中。RetinaNet是一个流行的深度学习模型用于在图像中定位对象这里它被用来识别图像中的细胞核。 其中a. 绒毛板chorionic plate、b. 干绒毛和远端绒毛stem and distal villi、c. 远端绒毛distal villi、d. 基底板和锚定绒毛basal plate and anchoring villi。 细胞类型分类每个被识别的细胞核为中心进一步提取200×200像素22.18×22.18微米的图像块这些图像块随后被一个ResNet-50模型分类为11种不同的细胞类型之一。ResNet-50是一个深度卷积神经网络通常用于图像识别任务。 特征嵌入和空间图构建细胞分类器产生的64维特征向量和细胞核的坐标被用来构建整个切片图像的细胞空间图。这个图表示了细胞的空间关系和它们的特征。 组织微结构分类构建的细胞图被输入到一个ClusterGCNCluster Graph Convolutional Network图神经网络中。ClusterGCN是一种专门设计用于处理图结构数据的深度学习模型它能够对每个细胞所属的组织微结构进行分类。 总的来说Fig. 1 描述了一个从图像预处理、细胞核检测、细胞类型分类到细胞特征嵌入和最终组织微结构分类的完整流程。这个流程利用了深度学习技术来自动化和提高胎盘组织学分析的效率和准确性。 五、AnnoSpat工具自动鉴定细胞类型并量化细胞间的邻近关系 文献概述
这篇文章介绍了一个名为AnnoSpatAnnotator and Spatial Pattern Finder的新工具它利用神经网络和点过程算法自动鉴定细胞类型并量化细胞间的邻近关系。该工具的开发是为了应对大规模空间蛋白质组数据集如人类胰腺分析计划HPAP中细胞类型注释和细胞相对位置量化的挑战。
AnnoSpat通过分析空间单细胞蛋白质组学数据如图像质量细胞测量IMC和编码共检测CODEX来实现其功能。它首先通过半监督聚类算法创建训练数据然后训练一个分类器来预测额外细胞的身份。此外AnnoSpat还配备了空间模式发现器模块该模块采用点过程理论来量化多个细胞类型之间的空间关系。 研究人员通过基准测试评估了AnnoSpat在识别胰腺组织中各种细胞类型方面的准确性和效率并将结果与其他方法进行了比较。测试结果表明AnnoSpat在快速准确地注释细胞类型方面表现优于替代方法。
此外AnnoSpat还被用于分析1型糖尿病患者、非糖尿病自身抗体阳性和非糖尿病器官捐献者的数据能够重现已知的胰岛病理生物学并展示了1型糖尿病进展期间胰多肽PP细胞丰度和CD8 T细胞浸润的差异动态。 研究还探讨了AnnoSpat在新IMC样本中准确预测细胞类型的能力并评估了其初始化对性能的影响。结果表明AnnoSpat能够准确地预测具有特定抗体的新样本中的细胞类型。
此外AnnoSpat还能够从CODEX数据中准确鉴定细胞类型并与专家注释的胰腺组织中的细胞类型进行了比较显示出较高的一致性。通过使用AnnoSpat的IMC分析研究人员还观察到1型糖尿病进展过程中PP细胞数量的增加以及在疾病早期阶段胰岛内CD8 T细胞浸润的变化。
总之AnnoSpat是一个强大的工具可以用于空间单细胞蛋白质组数据的自动化分析并能够准确地注释细胞类型和量化细胞间的空间关系。它的开发为理解复杂疾病如1型糖尿病的细胞微环境提供了新的视角并有助于揭示疾病进展过程中的细胞相互作用和组织变化。 重点关注 Fig. 1 展示了使用 AnnoSpat包括 Annotator 和 Spatial Pattern Finder 两个模块分析 IMCImage Mass Cytometry图像质量细胞测量或 CODEXCo-Detection by Indexing编码共检测数据的流程概览。 以下是对该图的详细分析
a. 单细胞蛋白质组学测量
从左至右的流程开始于对组织感兴趣区域ROI例如来自胰腺的组织的测量。使用 IMC 或 CODEX 这类空间单细胞蛋白质组学检测方法可以报告细胞的原位位置和蛋白质表达水平。这一步骤依赖于细胞分割和通道强度的量化见“方法”部分。 b. 半监督聚类算法
为了克服手动注释训练数据的缺乏AnnoSpat 的 Annotator 模块首先使用半监督聚类算法处理蛋白质表达数据。该算法从整体数据集中创建训练数据集例如矩阵 A 中的 50% 细胞。利用这个自动生成的训练数据AnnoSpat 接着训练并应用一个极限学习机Extreme Learning Machine, ELM分类器用于标记剩余的细胞例如矩阵 B 中的 50% 细胞。 c. 空间模式发现器
AnnoSpat 的 Spatial Pattern Finder 组件将细胞位置解释为点过程以量化细胞类型之间的关系。它使用距离依赖的标记交叉相关函数( k® )来量化不同细胞类型之间的关系。通过对 ROIs 中的标记交叉相关函数进行系统总结使用它们不同的特征例如函数最大的距离。 **总结**Fig. 1 描述了 AnnoSpat 如何通过结合半监督学习和点过程理论来克服空间蛋白质组数据中缺乏标注训练数据的问题并实现对细胞类型的自动注释和空间关系的量化。这一流程不仅提高了细胞类型注释的效率还增加了对细胞间复杂空间关系理解的深度。 六、肿瘤微环境新发现肺癌细胞如何’策反’免疫卫士 文献概述
这篇文章是一项关于非小细胞肺癌(non-small cell lung cancer, NSCLC)的单细胞和空间转录组学分析研究。
研究团队由Marco De Zuani、Haoliang Xue、Jun Sung Park等人组成他们从25位未接受治疗的肺腺癌和鳞状细胞癌患者中收集了大约90万个细胞进行分析。研究发现肿瘤生态系统中存在多种免疫细胞类型尤其是髓系细胞在疾病进展中扮演重要角色。
研究结果揭示了抗炎性巨噬细胞与NK细胞/T细胞之间的负相关关系以及肿瘤内NK细胞的细胞毒性降低。尽管肺腺癌和鳞状细胞癌在细胞类型组成上相似但在多种免疫检查点抑制剂的共表达上存在显著差异。此外研究还发现了肿瘤中巨噬细胞的转录“重编程”使它们趋向胆固醇输出并采取类似胎儿的转录特征这有助于铁的外排。
这项多组学资源提供了肿瘤相关巨噬细胞的高分辨率分子图谱增进了我们对其在肿瘤微环境中角色的理解。研究还发现肿瘤与邻近肺组织相比具有更高多样性的免疫和非免疫细胞。在肿瘤中成纤维细胞和淋巴内皮细胞的比例发生了变化并且上皮细胞的多样性增加。
研究还探讨了肿瘤微环境中的细胞间相互作用网络发现肺腺癌和鳞状细胞癌虽然在细胞组成上相似但在细胞间相互作用网络上存在差异。例如某些免疫检查点抑制剂及其相应的抑制分子在两种癌症中的共表达不同。研究还发现在肿瘤微环境中巨噬细胞亚群之间存在连续性并且STAB1巨噬细胞可能与肿瘤细胞紧密相关。
此外研究还发现肿瘤巨噬细胞在肿瘤微环境中经历了“重编程”采取了有利于胆固醇外排和铁外运的转录特征从而支持肿瘤的进展。研究结果为开发针对NSCLC的更有效治疗策略提供了重要信息。 重点关注 Fig. 1 展示了非小细胞肺癌(NSCLC)异质性的单细胞转录组学分析结果。 以下是对图中各个部分的分析
A. 研究概述从切除的肿瘤组织、邻近未受累组织背景以及已故捐赠者的健康肺中制备了单细胞悬浮液并富集了CD45或CD235-的细胞进行单细胞RNA测序(scRNA-seq)。使用新鲜冷冻的肿瘤、背景和健康组织的冷冻切片进行10x Genomics Visium空间转录组学研究。
B. 队列概览符号代表了个体患者以及执行的分析。
C. UMAP投影展示了肿瘤和结合背景健康数据集的UMAP(Uniform Manifold Approximation and Projection)投影图这是一种用于降维和数据可视化的技术。 D. 点图(Dotplot)显示了用于肿瘤样本中宽泛细胞类型注释的代表性基因。点图通常用于展示基因表达水平点的大小代表表达量颜色代表表达水平的变化。
E. 等高线图(Contour plot)展示了在AT2细胞(44,399个细胞)、CAMLs(2520个细胞)和AIMφ(16,120个细胞)中共表达的髓系(LYZ, CD68, MRC1)和上皮系(EPCAM)基因。这些数据被标准化、缩放和对数转换。 F. 箱线图(Boxplot)展示了在AT2细胞、CAMLs和AIMφ中髓系(LYZ, APOE, CD68, MRC1)和上皮系(EPCAM, KRT8, KRT19)基因的标准化、缩放和对数转换后的基因表达。箱形图显示了四分位数须表示1.5倍四分位距。
G. 非免疫细胞亚群的相对比例在CD235-富集中计算的肿瘤与背景之间的差异。箭头指示了肿瘤与背景相比的增加(↑)或减少(↓)。使用双边Wilcoxon秩和检验和Bonferroni校正进行多重比较。**P 0.01。没有星号的箭头表示该细胞类型仅在肿瘤或背景中发现。
H. 广泛免疫细胞的相对比例在所有免疫细胞中识别的CD235-富集中计算的肿瘤与背景之间的差异。箭头指示了肿瘤与背景相比的增加(↑)或减少(↓)。使用双边Wilcoxon秩和检验和Bonferroni校正进行多重比较。*P 0.05, **P 0.01, ***P 0.001。没有星号的箭头表示该细胞类型仅在肿瘤或背景中发现。 I. 肿瘤和背景中NK、DC、B、T细胞和巨噬细胞亚群的相对比例在CD235-富集中计算的广泛注释内的肿瘤与背景之间的差异。箭头指示了肿瘤与背景相比的增加(↑)或减少(↓)。使用双边Wilcoxon秩和检验和Bonferroni校正进行多重比较。***P 0.001。没有星号的箭头表示该细胞类型仅在肿瘤或背景中发现。 总体而言Fig. 1 通过单细胞转录组学和空间转录组学技术揭示了肿瘤组织与邻近正常组织在不同细胞类型上的异质性和差异。这些结果有助于深入理解肿瘤微环境中细胞的复杂性并为未来的治疗策略提供潜在的靶点。
