Home Blog Biomarkers 利用基于数字病理学的生物标志物分析法,加速抗肿瘤药物的发现

利用基于数字病理学的生物标志物分析法,加速抗肿瘤药物的发现

利用基于数字病理学的生物标志物分析法,加速抗肿瘤药物的发现

Accelerating Cancer Drug Discovery with Digital Pathology-Based Biomarker Analysis 数字病理学是一种正在改变现代病理学领域的新型技术。

传统上,病理学指的是训练有素的病理学家对组织样本(通常固定于载玻片)的分析。

尽管长期以来都是许多疾病(包括癌症)诊断的金标准,然而由于操作人员的误差和主观性,这个流程具有固有的差异性。

由于这种传统的流程没法支持高通量分析,因此这些缺点会降低诊断的准确性,也会影响周转时间。

在这封邮件中,你将会学到数字病理学的基本概念,理解为什么病理学实践正在接受这门新技术,并了解该技术是如何通过加强基于病理学的生物标志物分析,从而加速抗肿瘤药物的发现过程。

数字病理学是什么?

数字病理学的进展已经克服了许多传统载玻片工作流程相关的挑战。广义上,数字病理学是包括数字化病理样本的获得、解释和共享的概括性术语。

尽管不是一个新概念,但是强大的全玻片成像技术(whole slide imaging, WSI)的引入让完整诊断样本的数字化成为可能。在某些案例中,数字化玻片可提供有助于诊断的特定特征的卓越分辨率。

当与基于机器学习和深度学习的强大的AI算法联用时,该项技术的威力得到释放。

这些工具的补充让更多详细的、复杂的分析(包括对肿瘤微环境中的细胞数量的更深度分析)成为可能,减少误差,并降低观测者本人和不同观测者间的差异,从而最终导致更加高度准确的评估。

与先进的数据管理系统(比如基于云的软件设计)的结合让样本更易于获得,且有助于大规模的合作。

基于数字病理学的生物标志物分析法的应用

生物标志物正在抗肿瘤药物发现、发展的所有领域发挥越来越重要的作用。这是因为许多新兴抗肿瘤药物被发展为精准医疗的重要组成部分,而在精准医疗中患者的生物标志物序列决定了该患者该使用哪种药物。

因此医药行业在药物研发过程中的更早期整合不同的生物标志物策略,可以最大化鉴定生物标志物的几率,进而基于药物反应或者发生耐药性的可能性,成功地对患者进行分类。

生物标志物的鉴定可以支持药效、安全性、药代动力学和作用机制的研究。所有的生物标志的鉴定都充满挑战性,但是可以提供很多有用的信息。

数字病理学为生物标志物的发现和分析提供诸多好处。

特别是,现在基于AI的算法可产生药物靶点表达以及单一或者多种人眼很难达到观测到的标志物的密度和分布的量化数据。考虑到许多肿瘤存在异质性,某些标志物只表达于某一类细胞亚型中,这种算法就显得尤为重要。

传统的病理学并不方便即便只是分析少数的样本。对于通常涉及大量的组织样本的生物标志物分析而言,这更加充满挑战性。

数字病理学的一个主要优势是它可以自动处理包含大量扫描过的载玻片或者组织微矩阵的复杂数据。

数字病理学的补充也在免疫肿瘤学领域发挥重要的作用。现在为人们所熟知的是:免疫治疗的成功基于肿瘤微环境中肿瘤细胞和其他类型细胞之间的紧密、动态的联系。利用数字病理学对生物标志物进行综合性的空间分析,让研究者可以更好地了解这种联系对更有效的新型肿瘤免疫学试剂的影响。

基于数字病理学的生物标志物的分析技术

当前不同方法应用于组织生物标志物的检测。这些方法包括对不同细胞组分的基本染色(例如HE染色)或者检测蛋白生物标志物的分子实验(例如免疫组化或者免疫荧光)。尽管测序技术进步了,然而染色体或者荧光原位杂交技术仍是最流行的RNA/DNA生物标志物的检测方法。

由于大部分的组织生物标志物是基于蛋白质检测的,因此免疫组化和免疫荧光的实验方案可用于检测大量的重要肿瘤靶标。这些肿瘤靶点包括:

  • 肿瘤相关抗原(例如生长因子受体EGFR、HER2);
  • 肿瘤机制标志物(例如肿瘤增殖或凋亡标志物Ki67、裂解的caspase3,血管生成标志物CD31、VEGF);
  • 免疫检查点抑制剂PD-1和PD-L1(可预测某些类型的癌症中免疫治疗的药物反应)。

然而,染色体免疫组化受限于单一标志物没法满足通常同时检测多种标志物的现代生物标志物研究的要求。尽管一系列的实验方案一定程度上克服了某些限制因素,但是多种染色方法的研究进展以及数字病理学成像和分析手段的进步重新定义了在生物标志物研究中什么是可能的。

通过免疫组化和免疫荧光可以检测多种蛋白靶点,但是基于荧光的生物实验为更复杂、更准确的定量提供了更好的信号分离技术。

这对有赖于少量组织样本、为其他分析节省珍贵样本的分析手段至关重要。

多路技术的基本原则涉及用直接或间接标记不同发色团或者荧光团的特定抗体染色多种蛋白。基于技术和复杂性,这可通过单一步骤实现。或更通常是,通过标记-成像-抗体分离-重新标记的多重循环实现。

基于酪胺信号放大技术(Tyramide signal amplification, TSA)的多路免疫组化是同时检测多种蛋白的最流行的方法之一。在这个系统中:

  1. 一种蛋白靶点可通过一种一抗进行标记,随后用辣根过氧化物酶共轭的二抗标记。
  2. 用荧光团共轭的酪胺分子孵育,会导致蛋白靶点的赖氨酸残基的共价键的形成;
  3. 荧光团的永久性沉积可使移除抗体时无荧光信号的丢失,且使下一个靶标蛋白的标记成为可能。

重要的是,这种方法的好处之一是通过同一物种的抗体实现多轮染色。由于荧光团共轭的TSA分子发出强烈的信号,这种方法可以检测低丰度的蛋白。

基于TSA的多路免疫组化已专门用于免疫肿瘤学研究中生物标志物的分析。

譬如,最近一份研究PD-1/PD-L1的相近、肿瘤微环境中CD8+ T细胞的密度以及T细胞激活中的标志物的meta分析结果显示:多路染色比单一染色或其他方法(例如基因表达测序)在预测免疫检查点疗法的药物反应时更具优势。

生物标志物评估的数字成像平台

目前有许多商业化的、开源的数字分析平台,各具利弊。其中,ImageJ、CellProfiler, 和QuPath是一类最常用的开源平台,然而Indica Laboratories 的HALOTM是一个专业化的定量病理学的选择。它可以提供不同生物标志物类型的量化模块,可用于细胞、组织和空间的分析。

强烈建议在选择一种工具之前咨询数字病理学领域的专家。你会更正确地选择解答专业研究问题的工具。

高质量数字化呈现的组织载玻片的制备是获得高质量数据的重要因素。这涉及对每个步骤严格质量控制的多步骤的、复杂的过程。

当制备盖玻片时需要考虑的变量包括:

  • 样本固定的实验方案和抗原敏感性
  • 组织处理的标准化操作步骤
  • 组织的厚度
  • 染色的持续性
  • 盖玻片的材质

最后,发色团或荧光团数据的像素解析要求理解图像数据的获得、保存和存储的设置。

基于AI的算法在分析时的使用中,这个概念是正确的。尽管许多图像分析程序伴随“ready to go”算法/模块产生,但是这些程序通常需要校正到适合专门的研究需求。

结论

利用基于数字病理学的生物标志物分析方法,加速抗肿瘤药物的发现过程

利用基于数字病理学的生物标志物的分析方法,可以加速抗肿瘤药物的发现过程,在选择最有临床潜力的抗肿瘤药物的候选药物(肿瘤免疫药物)时具有巨大的优势。数字的自动化框架可降低人为错误和主观性的影响,可以让不同研究者之间在更有效率的药物发现、发展时合作更加广泛。

Crown Bioscience在将数字病理学应用于抗肿瘤药物发现、发展过程中的生物标志物临床前研究中具有丰富的专业经验。我们先进的数字病理学服务致力于帮助客户加速他们的生物标志物的转化过程。想了解我们在这领域的专业技术,请访问我们数字病理学服务的网站吧!