"芯片上的肺癌血管侵袭模型：机器学习辅助的可视化与自动定量研究"

为解决肺癌转移过程中EMT(上皮-间质转化)驱动肿瘤细胞穿透血管屏障的关键机制问题，香港中文大学团队开发了人源化微生理模型"肺癌血管侵袭芯片"，结合机器学习(ML)实现血管侵袭事件的自动识别与定量。研究发现巨噬细胞条件培养基(M?-CM)联合TGF-β1可显著增强A549细胞的侵袭能力，通过降低基底膜层粘连蛋白(laminin)和血管内皮钙粘蛋白(VE-Cadherin)促进肿瘤细胞穿透功能性微血管网络(MVNs)。该模型为研究癌症转移早期事件提供了高时空分辨率的平台，对个性化治疗和药物开发具有重要意义。

　　

肺癌是全球癌症相关死亡的首要原因，约80-85%属于非小细胞肺癌(NSCLC)。当癌症发展到转移阶段时，5年生存率骤降至9%。在转移级联反应中，上皮-间质转化(EMT)和血管侵袭(intravasation)是决定循环肿瘤细胞数量的限速步骤，但目前缺乏能同时模拟EMT驱动局部侵袭和后续血管侵袭的生理相关模型。现有体外模型多采用单层内皮细胞培养，无法再现功能性微血管的解剖结构和屏障特性；而动物模型则存在种属差异大、观察分辨率低等问题。

香港中文大学的研究团队在《Bioactive Materials》发表的研究中，创新性地将微血管网络(Microvascular Networks, MVNs)与肿瘤微球共培养体系整合到微流控芯片中，开发出"肺癌血管侵袭芯片"模型。该研究首次实现了EMT诱导的肺癌细胞对功能性微血管的可视化侵袭，并建立机器学习辅助的定量分析方法。研究证实巨噬细胞条件培养基(Macrophage-conditioned Medium, M?-CM)与转化生长因子-β1(Transforming Growth Factor-β1, TGF-β1)协同作用可显著增强肿瘤细胞的侵袭能力，通过下调基底膜层粘连蛋白(laminin)和血管内皮钙粘蛋白(VE-Cadherin)使血管壁更易穿透。

研究采用的关键技术包括：(1)THP-1来源巨噬细胞条件培养基的制备与细胞因子阵列分析；(2)微流控芯片中三维微血管网络与肺癌微球共培养体系的建立；(3)活细胞荧光成像追踪24小时血管侵袭动态；(4)机器学习辅助的血管分割与肿瘤细胞定位分析算法；(5)血管通透性系数测定与Western blot等分子生物学检测。

研究结果部分：

"M?-CM和TGF-β1协同促进A549细胞EMT"
通过蛋白芯片检测发现M?-CM富含EMT诱导因子(如CHI3L1、IL-6等)。与单独使用TGF-β1相比，联合处理使细胞形态由立方体变为纺锤形，上皮标志物E-cadherin显著降低，间质标志物vimentin升高。基因表达分析显示EMT转录因子ZEB1/2表达上调最显著，细胞迁移和三维侵袭能力增强2倍以上。

"EMT-IC不影响MVNs稳定性"
在微流控芯片中，内皮细胞通过血管发生形成具有基底膜和管腔的MVNs。EMT诱导剂(EMT-Inducing Cocktail, EMT-IC)处理24小时不影响MVNs的管状结构长度和分支点数量，但Western blot显示laminin和VE-cadherin蛋白水平分别下降约50%。

"EMT-IC促进肿瘤细胞血管侵袭"
共聚焦显微镜观察到EMT-IC处理的A549细胞伸出膜突起穿透血管壁，随后整个细胞进入管腔。定量分析显示EMT-IC使每个肿瘤微球的血管侵袭事件从<1次增至2次。高分辨率成像和三维重建清晰显示肿瘤细胞被CD31⁺管腔包围的典型侵袭形态。

"模型反映肿瘤细胞转移潜能"
引入转移性NCI-H1975和非转移性BEAS-2B细胞系验证模型敏感性。结果显示NCI-H1975基线侵袭能力是BEAS-2B的10倍，且对EMT-IC响应更强，血管侵袭事件达3次/微球，而BEAS-2B始终<1次。

"机器学习辅助定量分析"
开发基于Trainable Weka Segmentation插件的图像分析流程，通过荧光共定位自动识别血管内肿瘤细胞。该方法检测到平均每个微球3次侵袭事件(EMT-IC组)，与人工计数趋势一致但灵敏度更高。

研究结论与讨论指出，该模型首次在体外重现了EMT驱动的肺癌细胞穿透功能性微血管全过程，具有三大突破性优势：(1)生理相关性高，MVNs具有体内相似的血管屏障功能(通透性系数约7.79×10^-7 cm/s)；(2)时间分辨率高，24小时内即可观察到侵袭事件；(3)通用性强，可区分不同转移潜能细胞系的响应差异。

这项研究为肺癌转移早期机制研究提供了全新平台，其机器学习辅助的定量方法有望应用于药物高通量筛选。未来结合患者来源肿瘤细胞，该技术可助力个性化治疗方案的制定。通过靶向EMT和血管侵袭这一"源头"事件，或能有效阻断肿瘤细胞进入循环系统，为改善肺癌患者预后提供新思路。