基于 AI 的人胰腺癌类器官药物筛选策略

在 96 孔 Gri3D 500 μm 孔径的微孔塑料板中培养标准化胰腺癌类器官，并用抗癌药物处理其 72 小时。利用 ImageXpress Micro Confocal 共聚焦高内涵成像分析系统 (Molecular Devices ) 的透射光 (TL) 对不同时间点类器官进行连续拍摄，而后对类器官进行活 / 死测定。通过 IN Carta 图像分析软件进行图像分析 ( 图 1 )。分析中，对每孔 40 个类器官进行图像分割，并从每个类器官中提取 50 多个指标。最后，利用 StratoMineR 数据分析软件 (Core Life Analytics)对每个类器官相关的特征进行分析。

图 1 类器官药物处理工作流程示意图。该工作流程结合了 Gri3D、高内涵成像系统以及人工智能的图像分析软件 (Molecular Devices )

在 Palbociclib 暴露后，细胞死活的分析中显示类器官的存活率随着药物浓度的增加而下降，而在 trametinib 处理的类器官中未观察明显现象 ( 图 2B )。这种基于深度学习的 TL 图像分析方法，可以有效地检测到单个类器官随时间变化的参数。此外，灰度非正态因子 (GLNN) 可作为类器官灰度值测试指标。如图 2C 所示，这个值随着 Palbociclib 和 Trametinib 剂量的增加而降低 ( 见图 2C )，这些药物会引起类器官的生长缺陷。

图 2 抗癌化合物暴露人胰腺癌 PDOs 72 小时结果。A. TL 图像在曝光前 ( 0 小时 ) 和曝光后 ( 72 小时 ) 以及活 / 死 (Live/Dead) 实验后的类器官的最大投影图像。绿色：Calcein AM，活细胞；红色：EthD-1，死细胞。B.Ethidium homodimer-1 (EthD-1) 与 Calcein AM 强度比。C. TL 图像的灰度非正态因子(GLNN) 变化。误差显示标准差。每个点代表每个类器官。单因素方差分析 Dunnett 多重比较，**P<0,01，P****<0.0001，ns：不显着。比例尺：250μm。

IN Carta 数据分析软件提取了 TL、EthD-1 和 Calcein AM 通道中每个类器官相关的数百个特征参数。为了对药物孔和对照孔进行可视化和聚集分析，我们首先通过主要成分分析法将参数降维至三个组分，即 PCA01, PCA02 和 PCA03。然后，我们在 3D 散点图中对药物孔和对照孔进行可视化，其中阴性对照和阳性对照分别形成其自己的簇 ( 图 3 )，药物中 50 uM Palbocilib 是唯一一个聚类更接近阳性对照的处理组 ( 图 3 )，这个观察结果与活 / 死细胞的结果分析一致 ( 图 2 )。此外，从各药物组 (Chebyshev 最大距离 ) 与平均阴性对照的排列中显示，50 uM Palbociclib 排在首位，而四个阳性对照孔排名前六。从这些结果表明，50 uM Palbociclib 对人胰腺癌类器官的效应最为明显。

图 3 通过主要成分分析进行聚类和排序。A.、B.、C. 与原始功能有加权关联的三个 PCA 组分。D. 三种 PCA 成分的 3D 散点图。E. 药物组、对照组与平均阴性对照的 Chebyshev 最大距离排序。

为了验证我们的分析，我们使用统一流形逼近与投影法 (UMAP) 减少特征参数的维度情况。考虑到所有特征，聚类图也显示了聚类接近阳性对照的 50 uM Palbociclib 处理组。为确定我们是否能够仅用明场图像区分表型变化，我们仅使用 TL 通道的特征进行分析，但是所得的 3D 散点图显示没有明显的聚类特征，这表明需要添加其他的特征进行聚类。

图 4 UMAP 降维和聚类。A. 所有特征的 UMAP 组份的 3D 散点图。B. 仅 TL 通道特征的 UMAP 组份的 3D 散点图。