拉曼光谱揭示免疫疗法对肿瘤的影响

约翰·霍普金斯大学的工程师表示，他们正在使用非侵入性光学探针来了解免疫治疗后肿瘤的复杂变化。他们补充说，他们的方法将肿瘤生化成分的详细绘图与机器学习结合起来。

约翰·霍普金斯大学机械工程系副教授IshamBarman博士指出：“免疫疗法确实像魔法一样发挥作用，从根本上改变了我们看待癌症治疗的方式。”他是该研究的合著者(“拉曼光谱和机器学习揭示了免疫治疗引起的早期肿瘤微环境变化”)，该研究是与阿肯色大学的同事合作进行的，并发表在《癌症研究》上。“然而，只有大约25%的患者从中受益，因此迫切需要确定预测性生物标志物来确定谁应该接受治疗。”

拉曼光谱利用光来确定材料的分子组成。研究小组对接受免疫治疗中使用的两种免疫检查点抑制剂治疗的小鼠以及未经治疗的对照组小鼠的结肠癌肿瘤进行了研究。

“癌症免疫疗法仅对一小部分患者提供持久的临床益处，并且由于缺乏用于预测和评估治疗反应的可靠生物标志物，识别这些患者很困难。在这里，我们展示了无标记拉曼光谱的首次应用，用于阐明抗CTLA-4和抗PD-L1免疫检查点抑制剂(ICI)在结直肠肿瘤异种移植物的肿瘤微环境(TME)中诱导的生物分子变化。”调查人员。

“拉曼光谱数据集的多元曲线分辨率交替最小二乘法(MCR-ALS)分解揭示了治疗后脂质、核酸和胶原蛋白含量的早期变化。支持向量机分类器和随机森林分析为ICI和每种疗法特有的描绘光谱标记的反应提供了出色的预测精度，与其不同的作用机制一致。

“经蛋白质组学分析证实，我们对TME中生物分子变化的观察应该会促进详细研究，以转化此类标记和无标记拉曼光谱，以临床监测癌症患者的免疫治疗反应。”

针对生物医学应用进行了优化

拉曼光谱最近才针对生物医学应用进行了优化。“这是第一项显示这种光学技术能够识别免疫疗法早期反应或耐药性的研究，”桑托什·派迪博士指出，他是约翰·霍普金斯大学机械工程博士生，也是这项研究的主要作者之一。。

帕迪说，拉曼光谱的好处之一是它提供了精致的分子特异性，他现在是加州大学伯克利分校的博士后研究员。“你会得到精确的分子特征。”

科学家们表示，该方法也非常适合探索肿瘤微环境的组成变化，而不仅仅是癌细胞。

“我们感兴趣的不是针对一些可疑的分子，而是更全面地了解肿瘤微环境。这是因为肿瘤不仅仅是恶性细胞。微环境包含肿瘤基质、血管、浸润炎症细胞和各种相关组织细胞的复杂组合，”巴曼解释道。“我们的想法是采用这种方法并将其系统化，以便医生可以使用它来确定免疫疗法是否对患者有益。”

该团队使用拉曼数据(来自25个肿瘤的大约7,500个光谱数据点)来训练算法来确定免疫疗法诱导的一系列特征。

“我们的问题是我们能否区分这三组，然后我们可以区分它们的具体光谱特征是什么，”巴曼继续说道。

该团队使用来自不同小鼠的数据构建了机器学习分类器并测试其性能。目标是模拟算法在收到新数据时会遇到的生物变异性。

“你需要毫无疑问地证明你所看到的差异是由免疫检查点抑制剂引起的，而不仅仅是两个人之间的差异，”巴曼指出。

研究小组报告说，结果很有希望。“我们能够确定，当给予每种免疫检查点抑制剂治疗时，胶原蛋白水平、脂质水平和核酸水平以及它们在肿瘤中的空间分布会发生显着变化，”巴曼说。

这些差异虽然细微，但具有统计学意义，并且与对样本进行的蛋白质组学分析一致，表明该技术在提供肿瘤对治疗如何反应的早期迹象方面具有强大的作用。

还需要更多的研究，但该团队相信他们的工作将为开发一种预测患者是否会对免疫疗法产生积极反应的方法铺平道路。

“与机器学习相结合，拉曼光谱有潜力改变预测治疗反应的临床方法，”派迪预测。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！