基于机器学习的3D癌症球体形态小分子高通量筛选分析方法

这篇研究论文创新性地将多参数细胞形态分析（MCMP）与3D肿瘤球体模型相结合，开发了一套整合自动化成像、图像分割、特征提取和机器学习（ML）算法的表型筛选流程。研究者利用U87胶质母细胞瘤球体模型，通过CellTiter-Glo（CTG）活力检测交叉验证，成功鉴定了7种已知抗癌化合物诱导的独特形态特征，并在925种激酶相关化合物库中发现了具有相似表型特征的候选分子。该工作为3D模型在药物发现中的应用提供了新的分析范式。

　　

亮点

本研究建立了一套创新的3D肿瘤球体表型分析流程，通过多通道荧光染色和自动化成像技术捕捉U87胶质母细胞瘤球体的复杂形态变化，结合机器学习算法实现了高通量药物筛选与作用机制解析。

材料与方法

U87-MG细胞（ATCC #HTB-14）在超低吸附384孔板中形成球体后，使用Calcein-AM（活细胞绿色通道）、Caspase-3/7（凋亡细胞黄色通道）、DRAQ7（死细胞远红通道）和Hoechst 33342（全细胞核蓝通道）进行多重染色。图像通过Harmony v4.9软件进行分割分析，采用5参数逻辑回归和主成分分析（PCA）等算法处理数据。

图像分析

开发了双轨式图像处理流程以解决高维度特征导致的软件崩溃问题。第一流程聚焦球体整体形态参数（如直径/亮度），第二流程量化单细胞特征（如核质比），最终提取超过500个定量特征参数。

数值分析

通过比较二甲亚砜（DMSO）、硼替佐米（BTZ）、十字孢碱（STS）和紫杉醇（PAC）的浓度-效应曲线，发现不同化合物在球体致密性、边缘锐度和内部细胞分布等特征上呈现显著差异。监督学习模型XGBoost对激酶抑制剂库的预测准确率达82%。

结果

参考化合物诱导的"空泡化"、"边缘崩解"等表型特征可通过机器学习聚类识别。筛选发现的3个激酶抑制剂在16点浓度梯度实验中重现了预期形态变化，且与CTG活力检测结果高度相关（R²>0.9）。

讨论

该方法突破了传统3D模型分析的信息瓶颈，通过多参数关联分析发现：微管抑制剂主要影响球体完整性，而DNA损伤剂更易诱导核心区凋亡。特征重要性排序揭示细胞连接相关参数对表型分类贡献度达37%。

结论

建立的ML驱动分析平台能灵敏区分不同作用机制（MoA）化合物引发的3D球体结构变化，为肿瘤药物发现提供了新的表型维度评价体系。