Neue machine-learning-Methode verbessert die Prüfung von Stamm-wie Tumorzellen für die Brustkrebsforschung
Prof. Euisik Yoon ‚ s research group hat eine neue, schnellere Methode, um zu identifizieren, cancer stem-like cells (CSCs), das könnte helfen, verbessern die Wirksamkeit von Krebs-Behandlungen.
CSCs können Samen und entwickeln sich Tumoren, Metastasen, Krebs zu verursachen, um Rückfällen bei Patienten nach der Behandlung. Sie sind auch in der Regel resistent gegen Chemotherapie und Strahlentherapie, so dass Therapeutika, die direkt an die Zielgruppe CSCs kann erheblich verbessern den Erfolg von Krebstherapien. Allerdings CSCs variieren stark zwischen und sogar innerhalb von Patienten, die es schwierig machen, Behandlungen zu entwickeln.
CSCs sind identifiziert durch Ihre Fähigkeit, zu wachsen, zu tumorspheres in eine harte Federung Umgebung. Als solche, single-cell Suspensions-Kultur hat sich bewährt, um eine wirksame Methode zur Identifizierung und Untersuchung CSCs in einem bestimmten Patienten. Darüber hinaus Mikrofluidik hat enorm verbesserte diese Methode, denn Sie ermöglicht es, einzelne Zellen zu isolieren zuverlässig in hoher Durchsatz, die hilft, die falsche Identifikation des CSCs.
Aber auch mit Hilfe der Mikrofluidik, der Prozess kann bis zu zwei Wochen dauern. Das ist nicht ideal, für das Risiko von Misshandlung und Zell-Kontamination erhöht, je länger das experiment läuft.
Um diese Probleme anzugehen, Yoon s Gruppe entwickelt und trainiert ein convolutional neural network (CNN), ein machine-learning-Verfahren für Bild-Klassifizierung, um vorherzusagen, single-cell-derived tumorsphere Bildung.
„Mit Hellfeld-Bildern, die wir Vorhersagen können, Drogen-Reaktion viel früher vom gemeinsamen morphologischen Merkmalen der Lebensfähigkeit der Zelle von machine-learning-algorithmen“, sagt Yoon.
Das Modell trainiert wurde, um eine Korrelation zwischen den zellulären Bildern von Brustkrebs tumorspheres in der Mikro-wells an Tag 4 mit Ihrer endgültigen Größe an Tag 14. Mit Tag 2 Bilder, dieses Modell prognostiziert die Bildung von tumorspheres mit 87,3% Genauigkeit. Es hatte 88.1% Genauigkeit mit Tag 4 Bilder. Darüber hinaus mit Tag 4 Bilder, die das Modell schätzt die rate der tumorsphere Bildung werden von 17,8%, die in der Nähe war, um die wahre rate von 17,6% an Tag 14.
Diese Methode kann helfen, vorab die Studie des CSCs in Brustkrebs, die Verbesserung der gezielten Behandlungen mit potential, ähnliche Erfolge auch in anderen Arten von Krebs. Der nächste Schritt ist, um zu sehen, ob das Modell kann weit angewendet werden, um andere Formen von Krebs.
„Die Kombination von Einzel-Zell-Analyse und machine learning erstellen starke synergistische Effekte zu beschleunigen, bio-Entdeckung“, sagt Yu-Chih Chen, eine Mitarbeiterin wissenschaftlicher Mitarbeiter und Erster Autor des Papiers. „Als verschiedene Arten von Krebs-Zellen können unterschiedliche Wachstumsraten, die wir brauchen, zu normalisieren, und ordnen Sie das Modell so, dass es angewendet werden kann, mehr generisch ist und mehr zuverlässig in klinische Anwendungen.“