基于人工智能实时图像分析的高通量筛选系统在免疫原性细胞死亡诱导剂发现中的应用

研究人员针对癌症免疫治疗中"冷肿瘤"免疫原性不足的问题，开发了基于人工智能实时图像分析的高通量筛选系统（AI-based ICD-HTS）。该系统通过差分干涉对比（DIC）图像识别细胞肿胀（SC）和死亡细胞（DC）的形态特征，成功从8种候选化合物中筛选出3种免疫原性细胞死亡（ICD）诱导剂（B、D、H）。该系统仅需光学图像即可实现ICD诱导剂的高效筛选，显著降低了传统荧光标记方法的时间和资源消耗，为癌症免疫治疗药物开发提供了新工具。

　　

在癌症治疗领域，免疫疗法虽然在某些肿瘤类型中展现出显著疗效，但面对"冷肿瘤"——那些免疫原性低、免疫细胞活性受限的肿瘤时却往往束手无策。这类肿瘤就像披着隐形斗篷的敌人，能够逃避免疫系统的监视。如何将"冷肿瘤"转化为免疫系统可识别的"热肿瘤"，成为提高癌症免疫治疗效果的关键突破口。免疫原性细胞死亡（ICD）作为一种特殊的细胞死亡方式，能够释放损伤相关分子模式（DAMPs），激活先天性和适应性免疫反应，为这一难题提供了潜在解决方案。然而，传统ICD诱导剂筛选方法依赖荧光标记和生化检测，不仅耗时耗力，还难以捕捉细胞形态的动态变化过程。

针对这一技术瓶颈，来自INHA University的研究团队开发了一套革命性的AI高通量筛选系统。这项发表在《Computers in Biology and Medicine》的研究，通过人工智能实时分析细胞形态变化，成功建立了一种高效、经济的ICD诱导剂筛选平台。该系统仅需普通光学显微镜图像即可完成筛选，无需复杂荧光标记，大大降低了筛选成本和时间。

研究人员采用了三项关键技术方法：首先构建了稳定表达HMGB1-tGFP的MDA-MB231细胞系，结合SYTOX Orange核染色建立训练数据集；其次开发了模型辅助标注（MAL）流程，通过迭代训练提高标注效率；最后采用荧光图像预训练结合DIC图像微调（FPDF）的策略提升模型性能。实验使用小鼠骨髓来源的免疫细胞验证筛选结果。

在"模型辅助标注提高数据标注效率"部分，研究显示MAL方法将单细胞标注时间从专家所需的4.32-4.66秒缩短至1.04秒，同时标注细胞数量从1136-1300个提升至1490个，且准确率更高。

"SC和DC检测模型性能比较"结果表明，经过荧光预训练和DIC微调的模型，其F1分数和mAP50分别比仅用DIC图像训练的基线模型提高了6.5%和9.4%。XGBoost后处理算法有效过滤了90%的碎片误检。

"未知化合物的盲法测试"中，AI系统成功从8种候选化合物中识别出B（Erastin）、D（FIN56）、G（Raptinal）和H（RSL3）四种ICD诱导剂。值得注意的是，虽然G（Raptinal）已知可诱导凋亡，但AI系统还检测到其诱导ICD的能力，这与最新发现的该化合物可诱导细胞焦亡（pyroptosis）的研究相吻合。

"体外验证：排除凋亡诱导剂"实验通过检测caspase-3/7活性和PARP-1切割情况，证实化合物A、C、E、F主要诱导凋亡，而B、D、H不引起明显凋亡。

"体外验证：候选化合物的ICD特性验证"部分显示，B、D、H处理组乳酸脱氢酶（LDH）释放量显著增加，银染显示蛋白释放增多。关键DAMPs如胞外ATP（eATP）、钙网蛋白（CRT）膜定位和高迁移率族蛋白B1（HMGB1）释放均显著升高。与骨髓来源树突状细胞（BMDCs）和巨噬细胞（BMDMs）共培养实验证实，这些化合物处理的肿瘤细胞被吞噬率显著提高。

讨论部分指出，该系统最大的优势在于能够实时捕捉传统方法难以观察的细胞动态变化。例如，在筛选化合物H时，AI系统发现不同浓度下SC峰值出现时间一致，提示其ICD诱导活性在1μM即达饱和。此外，系统还发现某些化合物（如B和D在1μM时）可诱导细胞持续肿胀但不完全死亡的现象，这对理解ICD的剂量效应具有重要意义。

该研究的局限性在于训练数据主要来自MDA-MB231细胞系和铁死亡诱导剂RSL3，未来需要扩展更多细胞类型和ICD诱导剂的数据以提高模型泛化能力。值得注意的是，细胞死亡信号通路存在复杂互作，同一诱导剂在不同条件下可能主导不同死亡方式。研究人员展望未来可训练AI系统区分混合细胞死亡类型，为精准医疗提供更丰富信息。

这项研究建立的AI驱动ICD筛选平台，不仅大幅提高了筛选效率，更能发现传统方法可能遗漏的复杂表型。随着进一步优化和扩展，该系统有望成为癌症免疫治疗药物开发的重要工具，为攻克"冷肿瘤"治疗难题提供新的技术支撑。