无标记流式细胞术+深度学习，实时监测全血中的循环肿瘤细胞簇

niwanmao

转移性肿瘤生长是导致癌症患者死亡的主要原因。在癌症进展过程中，可观察到有些单个细胞从原发肿瘤中脱落，并通过血管内渗的过程进入血液循环。一旦进入血液，这些细胞被称为循环肿瘤细胞(CTCs)，它们可以外渗到远端器官，形成继发性肿瘤。多项研究发现，CTCs的播散与不良预后和治疗耐药相关。

在转移的过程中，CTCs和血液中的细胞也可以形成聚集体，被称为CTC簇(CTCCs)。CTCC的大小通常从2个细胞到9个以上细胞不等，非常罕见，每7.5 mL血液中观察到的CTCC少于4个。虽然罕见，但与单个CTC相比，CTCC由于其独特的特点和行为引起了人们的关注。CTCC的形成为癌细胞提供了一定的优势，包括提高在血流中的存活率和增强在远处组织中定植的能力。聚集多个癌细胞的CTCC存在可以提供对免疫系统攻击的保护，促进对治疗方法的抵抗，从而有利于继发性肿瘤的形成。

目前的检测平台主要针对CTC的离体检测进行了优化。微流控芯片和分子排阻方法已被提出用于CTCC的检测，然而这些方法缺乏在体内实用性和实时监测的能力。

为了无标记检测全血中的CTCC，共聚焦背向散射和荧光流式细胞术(BSFC)结合了机器学习(ML)的峰值分类，研究不少。Vora N等人将这一方法扩展到基于深度学习(DL)的峰值检测和分类模型。（请注意，该文章发表在8月份的bioRxiv预印本上，可能会存在变数，仅供参考）

实验设计示意图如下：采集啮齿类动物的全血，并注入MDA-MB-231乳腺癌细胞簇。通过微流控通道使用sharp illumination slit收集数据。使用DeepPeak模型处理数据，在传递到ROI分类算法之前，首先使用新的ROI检测算法选择感兴趣区(ROI)。该分类算法利用包含三个散射波长的归一化散射强度的一维特征向量和卷积神经网络(CNN)对CTCC峰进行分类，同时排除非CTCC峰。


预期检测量和实际检测数量的线性相关统计结果如下图所示。


研究结果表明，基于DL的BSFC具有低误报警率(0.78事件/分钟)，检测到的事件和预期事件之间具有高的Pearson相关系数(0.943)。基于DL的全血BSFC从最小两个细胞大小开始，对同型和异型CTCC的检测纯度保持在72%，灵敏度均为35.3%。研究人员还通过人工加标研究证明，基于DL的BSFC对样本中存在的CTCC数量变化敏感，并且在检测中不会增加超出泊松统计预期变异性的变异性。进一步发展无标记BSFC以提高通量，可能在CTCC的临床检测和从全血中离体分离CTCC方面具有重要应用。

参考文献：Vora N, Shekar P, Esmail M, Patra A, Georgakoudi I. Deep Learning-Enabled, Detection of Rare Circulating Tumor Cell Clusters in Whole Blood Using Label-free, Flow Cytometry. Preprint. bioRxiv. 2023;2023.08.01.551485. Published 2023 Aug 3. doi:10.1101/2023.08.01.551485