《Communications Biology》:Accurate prediction of ecDNA in interphase cancer cells using deep neural networks
编辑推荐:
编辑荐语:针对间期癌细胞难以区分外染色体(ecDNA)与染色体内扩增的难题,研究者开发了基于深度学习的interSeg模型,从间期FISH图像精准分类扩增状态(EC-amp/HSR-amp),在细胞系、异种移植瘤及患者组织中验证了高准确性,为癌症预后评估提供了重要工具。
研究背景:当癌细胞不再“排队”等待观察
在癌症的发生与发展过程中,基因的异常扩增往往扮演着推波助澜的角色。其中,一类被称为外染色体DNA(extrachromosomal DNA, ecDNA)的环状遗传物质,因其携带可高效表达的致癌基因,近年来被证实与多种恶性肿瘤的侵袭性增强及不良预后显著相关。传统上,科学家们依赖中期染色体铺片结合荧光原位杂交(Fluorescence in situHybridization, FISH)技术来精确识别ecDNA的存在——这就像是在细胞分裂最有序的时刻抓拍一张清晰的“全家福”。然而,实体肿瘤中的绝大多数细胞处于非分裂的间期,形态复杂且拥挤,如同高峰期的地铁车厢,使得传统的显微镜观察难以分辨信号究竟来自游离的ecDNA还是整合在染色体臂上的同源染色区段(homogeneously staining regions, HSR)。这种局限性严重阻碍了对肿瘤异质性及耐药机制的深入研究。因此,开发一种能够直接在间期细胞中自动化、高精度识别扩增类型的工具,成为临床病理学和基础研究亟待突破的关键瓶颈。
本研究发表于《Communications Biology》,旨在解决这一痛点。研究团队成功构建并验证了一套名为interSeg的深度学习算法框架,能够仅依据间期DNA-FISH图像,将癌基因扩增状态精准划分为三类:外染色体扩增(EC-amp)、染色体内扩增(HSR-amp)以及无扩增。该系统跨越了细胞系、异种移植模型及真实患者组织等多个维度,证明了其在复杂场景下的鲁棒性与临床应用潜力。
关键技术路线概览
研究者首先构建了涵盖652张图像、40,446个细胞核的训练集与验证集用于模型开发;测试集则包含215张来自培养细胞和组织模型的图像(9,733个核)以及67例神经母细胞瘤患者样本(1,937个核)。核心技术路径包括:利用深度神经网络提取间期FISH图像特征,建立像素级分割与核内信号模式的判别模型,并通过计算模拟混合样本验证对肿瘤内异质性的量化能力。
研究结果详析
数据集的构成与深度学习模型的训练
研究纳入多类样本:人类癌细胞系(如COLO320-DM、CHP-212)、小鼠异种移植瘤组织以及神经母细胞瘤患者的存档切片。通过对每张FISH图像的数千个细胞核进行专家手动注释(标记为EC-amp、HSR-amp或无扩增),构建了黄金标准数据集。interSeg模型基于这些数据进行训练,结果显示其在验证阶段即可实现高度的分类一致性,为后续大规模测试奠定了坚实基础。
跨模型泛化性能评估
在独立的测试集上,interSeg展现了卓越的稳定性:在单细胞核水平,预测准确率达到89%;而在样本整体判定层面(即综合多个细胞判断是否存在扩增),准确率高达97%。这意味着即使面对不同来源的组织学背景差异,系统仍能保持近乎专家的诊断水准。
神经母细胞瘤患者样本的外部验证
尤为引人注目的是在神经母细胞瘤患者组织的独立留出集中,interSeg在样本级别检测局灶性扩增的准确率为97%,显著超越了传统人工阅片的效率上限。这直接证实了该工具在真实临床环境——尤其是儿科实体瘤病理诊断中的巨大应用价值。
对肿瘤内异质性的量化分析
通过人为制备含有不同比例扩增细胞的混合样本并进行盲测,模型不仅准确识别了扩增亚群的存在,还能线性反映群体中EC-amp与HSR-amp的比例变化。这表明interSeg不仅能定性“有没有”,更能定量“占多少”,为监测治疗前后克隆演化提供了动态视角。
结论与深远意义
综上所述,interSeg填补了间期肿瘤细胞遗传学分析的长期空白。它首次证明,无需迫使细胞进入分裂中期,仅凭深度学习挖掘间期FISH图像的细微模式,即可高置信度地完成扩增起源的分类。这项工作不仅在技术上实现了从“必须看中期”到“任意时期都能看”的范式转变,更将大幅降低临床实验室的操作门槛,使更多基层机构具备分析ecDNA的能力。鉴于ecDNA阳性的肿瘤常表现出更强的进化潜能与耐药性,interSeg有望作为新一代数字病理标志物平台的核心引擎,推动个体化风险评估与靶向治疗策略的优化。