《Biosensors and Bioelectronics》：Deep learning-driven morphological analysis for assessing EMT state and drug sensitivity of single tumor cell
编辑推荐：
本研究开发了一种基于卷积神经网络的深度学习模型，通过非侵入式、无标记的形态学分析，实现单个或稀有循环肿瘤细胞（CTCs）上皮-间质转化（EMT）状态的实时动态评估，为精准癌症诊疗提供新工具。
杨一瑶|郭旭新|王兆良|翁一凡|郝婷婷|张晴晴|王水华|郭志勇
中国农业产品质量与安全国家重点实验室，宁波大学材料科学与化学工程学院，中国宁波315211
摘要
循环肿瘤细胞（CTCs）中的上皮-间质转化（EMT）驱动的转移是癌症治疗中的一个主要挑战。现有的EMT评估方法依赖于对蛋白质或遗传标记的侵入性检测，缺乏单细胞分辨率，且无法提供实时动态洞察，尤其是对于稀有的CTCs。在这里，我们开发了一种基于卷积神经网络（CNN）的深度学习模型，通过非侵入性的、无标记的形态学分析来量化单个或稀少CTCs的EMT状态。首先，通过定量评估EMT相关蛋白的表达，监测了MCF-7细胞中TGF-β刺激的EMT诱导过程，确定了关键的转化时间点。然后，通过结合形态学观察选择了代表EMT进展的五种不同形态状态。最后，这些状态的细胞图像被开发的卷积神经网络（CNN）模型处理，该模型能够以单细胞分辨率进行无标记的形态学分析。这种方法能够实时、个性化地评估转移潜力，从而推进癌症管理的精准诊断和治疗策略。
引言
转移仍然是成功治疗癌症的主要障碍，也是癌症相关死亡的主要原因（Kiri和Ryba 2024；Castaneda等人2022；Ganesh和Massague 2021；Mani等人2024；Qian等人2017）。肿瘤细胞中的上皮-间质转化（EMT）通过抑制上皮表型标记并激活间质特征基因，显著增强了它们的侵袭性和转移潜力。因此，与EMT相关的状态改变在癌症管理中具有重要的临床意义（Christiansen和Rajasekaran 2006；Gerashchenko等人2016；Jinesh和Brohl 2022；Khanbabaei等人2022；Lo和Zhang 2018；Pang等人2018；Pastushenko和Blanpain 2019；Saitoh 2023；Simeonov等人2021；Singh等人2018）。
目前评估EMT状态的主要方法依赖于检测与EMT相关的蛋白质（例如N-钙粘蛋白、E-钙粘蛋白、Vimentin、Occludin）和转录因子（例如Snail、Twist、Zeb1）。然而，这些方法通常需要细胞裂解、标记或染色程序，这不可避免地会导致细胞损伤，并使得难以获得EMT状态的实时动态信息（Erin等人2020；Fang和Kang 2021；Li等人2017；Li等人2021；Puchinskaya 2019；Puchinskaya和Prokopenia 2020；Serrano-Gomez等人2016；Ulianova等人2021；Yang等人2016；Zhang和Stuelten 2024）。此外，群体水平的检测策略掩盖了单细胞异质性对转移过程的关键影响（Diamantopoulou等人2020；Kitz等人2021）。另外，由于循环肿瘤细胞（CTCs）的极度稀缺，这一技术挑战更加突出，而CTCs实际上是临床样本中的转移前体，使得它们的EMT状态特别难以表征。因此，开发针对单个或稀有CTCs的EMT状态个性化评估方法对于分析抗癌药物敏感性、监测转移进展和制定个性化治疗策略具有重要意义。
尽管EMT过程中的形态学改变可以初步评估细胞状态，但传统评估方法存在较大的主观变异性，并且缺乏标准化的定量指标（Ida等人2025；Nakaya和Sheng 2013；Nurmagambetova等人2023；Quinsgaard等人2024；Savagner 2010；Zhao等人2021）。深度学习技术凭借其强大的图像特征提取能力，在克服人类解释偏差方面表现出显著优势，并已广泛应用于肿瘤细胞分类（Calderaro等人2023；Courtiol等人2019；Gao等人2022；Li 2023；Moen等人2019；Vermeulen等人2023；Whitney等人2020）、识别、分割、预测和筛查（Balagopal等人2021；Ertl-Wagner和Khalvati 2021；Gagnon等人2023；Jiang等人2023；Lee和Jang 2022；Sandino等人2021；Tian等人2024；Wu等人2020；Zeune等人2020）。然而，目前还没有基于深度学习的方法用于单个或有限CTCs的个性化EMT状态评估。
本研究创新性地开发了一种基于卷积神经网络的深度学习模型，通过单细胞形态学分析实现CTCs中EMT状态的实时动态量化，从而推进了精准肿瘤学的应用。
材料与方法
材料、试剂、仪器和细胞培养方法详见支持信息。
基于深度学习的CTCs中EMT状态和药物敏感性分析原理
图1展示了一个基于深度学习的形态学分析框架，用于评估单个循环肿瘤细胞（CTCs）中的上皮-间质转化（EMT）状态和药物敏感性。首先，通过定量评估EMT相关蛋白的表达，监测了MCF-7细胞中TGF-β刺激的EMT诱导过程，确定了关键的转化时间点。然后，通过结合形态学观察选择了代表EMT进展的五种不同形态状态。
结论
在这项工作中，我们建立了一个基于深度学习的平台，用于通过形态学分析对单个或稀少CTCs进行非侵入性的、实时的EMT状态评估。该方法消除了传统依赖生物标志物的技术的局限性，减少了主观性，并解决了单细胞异质性问题。作为一种通用的分析工具，它在转移预测、药物敏感性测试和适应性治疗方面具有应用前景。
CRediT作者贡献声明
杨一瑶：撰写——原始草稿，正式分析，数据管理。郭旭新：撰写——原始草稿，研究，数据管理。王兆良：监督，软件，资源提供。翁一凡：验证。郝婷婷：项目管理。张晴晴：资金获取，概念构思。王水华：方法学，资金获取，概念构思。郭志勇：撰写——审稿与编辑，监督，资源提供，资金获取，概念构思
竞争利益声明
√作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家自然科学基金（82273681）、江苏省基础研究计划（BK20241815）和宁波市自然科学基金（2024J476）的财政支持。
