结合流式细胞术和机器学习筛查小鼠三种实体肿瘤，准确率近100％，有意思的探索

niwanmao

2023年8月3日，Simon Davis DA等人在Front Immunol.上发表了一篇文章，描述了一种使用流式细胞术和机器学习的筛查流程，在血液中识别与癌症相关的白细胞生物标志物特征。其目标是开发一种基于全身免疫细胞表型变化来检测和表征癌症的方法。

作者通过在小鼠皮下注射肿瘤细胞系建立了乳腺癌、结直肠癌和皮肤癌的小鼠模型。从肿瘤小鼠和对照小鼠中分别收集了脾脏和血液样本。用荧光条形码技术区分各组，并用定义主要白细胞谱系的骨架抗体标记，最后混合、带有条形码的样本，用商业试剂盒的250多种抗体标记，筛查白细胞亚群的癌症相关表面标记物，以确定白细胞上的特定表面标记物在癌症小鼠中跟对照组明显变化的有哪些？

结果发现，患癌症的小鼠白细胞，多种表面标记物会发生变化，作者评估了重叠统计学、倍数变化、p值和机器学习特征排名等指标，发现血液单核细胞及其亚群最能明确癌症存在和类型。具体来说，更高CD62L表达的单核细胞可区分癌症和对照小鼠，而CD62L表达较低的单核细胞可区分乳腺癌和其他组。


机器学习模型根据排名靠前的白细胞亚群计数进行训练，这6个细胞群是：
- CD62L高表达的单核细胞
- CD62L低表达的单核细胞
- CD45RB低表达、CD66a高表达的嗜中性粒细胞
- 缺乏CD62L的CD8+ T细胞
- 缺乏表面IgD的B细胞
- 高表达CD27的NK细胞

使用这6个细胞群的模型（主要是单核细胞和中性粒细胞），机器学习模型可以准确区分携带癌症、无癌症以及不同类型癌症（如乳腺癌）的小鼠。这证明了筛查方法的实用性和稳健性。




参考文献：Simon Davis DA, Ritchie M, Hammill D, et al. Identifying cancer-associated leukocyte profiles using high-resolution flow cytometry screening and machine learning. Front Immunol. 2023;14:1211064. Published 2023 Aug 3. doi:10.3389/fimmu.2023.1211064IF: 7.3 Q1