约翰霍普金斯大学的工程师们率先使用一种非侵入性光学探针来了解免疫治疗后肿瘤的复杂变化。免疫治疗是利用免疫系统对抗癌症的一种治疗方法。他们的方法将详细绘制肿瘤生化成分与机器学习相结合。
“免疫疗法真的像魔法一样工作,从根本上改变了我们看待癌症是如何管理,”伊珊酒吧间招待员说:约翰霍普金斯大学机械工程的副教授和这项研究的合作者,这是与大学的同事们共同合作进行的阿肯色州和发表在癌症研究。“然而，只有大约25%的患者从中受益，因此迫切需要识别预测性生物标志物，以确定谁应该接受治疗。”
利用一种叫做拉曼光谱(Raman spectroscopy)的技术，该技术利用光线来确定材料的分子组成，研究小组在接受免疫疗法中使用的两种免疫检查点抑制剂治疗的小鼠以及未接受治疗的对照组小鼠身上探测了结肠癌肿瘤。
拉曼光谱直到最近才被优化到生物医学应用。“这是第一项表明光学技术有能力识别免疫疗法的早期反应或耐药性的研究，”该研究的主要作者之一桑托什·派迪(Santosh Paidi)说。他在约翰·霍普金斯大学(Johns Hopkins)攻读机械工程博士学位时参与了这项研究。
拉曼光谱学的一个好处是它提供了精细的分子特异性，Paidi说，他现在是加州大学伯克利分校的博士后研究员。“你会得到一个非常精确的分子特征。”
该方法不仅适用于肿瘤细胞，更适用于探索肿瘤微环境的组成变化。
“我们感兴趣的是获得肿瘤微环境的更全面的图像，而不是瞄准一些可疑的分子。这是因为肿瘤不仅仅是恶性细胞。微环境包含肿瘤间质、血管、浸润性炎症细胞和各种相关组织细胞的复杂组合，”Barman说。“我们的想法是采用这种方法并将其系统化，这样医生就可以用它来确定免疫治疗是否对患者有益。”
该团队使用拉曼数据——大约来自25个肿瘤的7500个光谱数据点——来训练一种算法，以确定由免疫疗法引起的一系列特征。
巴曼说:“我们的问题是，我们能否区分这三组人，以及让我们能够区分他们的具体光谱特征是什么。”
该团队使用来自不同老鼠的数据构建了一个机器学习分类器并测试其性能。其目标是模拟算法在面对新数据时遇到的生物变异性。
巴曼说:“你需要毫无疑问地证明，你看到的差异是免疫检查点抑制剂引起的，而不是两个个体之间的差异。”
研究小组报告说，结果很有希望。Barman说:“我们能够确定胶原蛋白水平、脂质水平和核酸水平，以及它们在肿瘤中的空间分布，在给予每种免疫检查点抑制剂治疗时发生显著变化。”
这些差异是细微的，但在统计学上是显著的，并且与对样本进行的蛋白质组学分析一致，这表明该技术在提供肿瘤对治疗反应的早期迹象方面具有强大的力量。
还需要进行更多的研究，但该团队相信，他们的工作将为开发一种预测患者是否会对免疫治疗产生积极反应的方法铺平道路。
“与机器学习相结合，拉曼光谱有潜力改变预测治疗反应的临床方法，”Paidi说。
