《自然》子刊：AI阅片再升级！科学家利用人工智能分析肺癌中免疫细胞的空间图谱，以免疫“冷区”成功预测癌症复发风险 | 科学大发现

AI登上顶级期刊，现在都不算啥新鲜事了，现在要关注的，是大佬们又玩出了什么花才对。从癌症确诊到筛查，接下来评价预后，预测风险也得安排一下，对吧？

近期在《自然·医学》上，发表了一项英国TRACERx肺癌研究计划的成果： 科学家们利用人工智能手段，绘制了肺腺癌中免疫细胞的空间位置图谱，可以根据免疫细胞浸润出的“冷区”和“热区”，预测患者的癌症复发风险！

这个最新的AI阅片，把100例患者的多区域外显子组和RNA测序（RNA-seq）数据，与免疫细胞分布的空间组织学信息进行了整合，成功经受了970例肺腺癌患者的队列验证。将来这套工具有望用于临床指导复发高风险患者的诊疗[1]。

AI继续刷存在感

（图片来源：FreeRange）

利用基因突变、分子标记物之类的指标预测癌症复发风险，这种研究奇点糕见过很多，但肿瘤不同部位的异质性，让这种预测总是少了些“立体感”和“空间感”。

举个例子，在免疫细胞浸润比较多的部位，能够实现免疫逃逸，存活下来的癌细胞特征，和那些免疫细胞浸润不到的部位就有明显的差异，这正是TRACERx研究计划发现，并且在去年登上《自然》的成果[2]。

而这次研究构建的深度学习模型，比之前的分析更进一步，同时调用了85名患者275个肿瘤区域的切片，从而分析癌细胞、淋巴细胞、间质细胞（成纤维细胞+上皮细胞）和其它细胞（巨噬细胞、肺细胞等）的空间分布特点。

多点取样，深度学习

AI区分免疫细胞和癌细胞的效果，得到了TRACERx研究中，多区域外显子组和RNA测序数据，以及病理科医生阅片等信息的认证， 区分准确度达到90%以上。

那么接下来，就可以让AI根据肿瘤区域当中淋巴细胞的浸润比例，来划分免疫“热区”和“冷区”了。从下面这张图可以看出， 淋巴细胞的浸润在不同肿瘤区域差异是很明显的，而且冷区的癌细胞进化出的亚克隆更加多样化。

免疫冷区和免疫热区的差别，就是淋巴细胞浸润程度了

划分区域，还是要为指导临床服务。研究团队首先用79例肺腺癌患者的数据进行初步分析，然后调取了TRACERx另外970例患者的预后情况，进行再次验证。

对于冷区和患者复发风险高的关系，研究团队也利用本次研究获取的空间组织学信息，进行了一些初步探索。就拿间质细胞来说，在免疫冷区当中，癌-间质细胞界面的几何不规则性和复杂性显著增加，两种细胞的接触明显增多。

接触增多，就会让间质细胞更容易阻止免疫细胞的浸润，帮癌细胞活得更加舒坦。研究团队进行的分析显示，被挡在肿瘤外的淋巴细胞越多，癌细胞的新抗原水平就越高，新抗原多=疗效好的定律，在这种时候就不适用了。

很多淋巴细胞都被挡在了肿瘤之外（蓝点），真正能浸润进去的（黑点）并不多

总体来说，这项研究为临床区分复发高危的癌症患者提供了全新的手段，也为分析癌细胞的免疫逃逸提供了新视角，不过研究团队也表示，这项技术还处于早期阶段，临床应用还需要时日。

编辑神叨叨

1.Abduljabbar K, Raza S E A, Rosenthal R, et al. Geospatial immune variability illuminates differential evolution of lung adenocarcinoma [J]. Nature Medicine, 2020.

2.Rosenthal R, Cadieux E L, Salgado R, et al. Neoantigen-directed immune escape in lung cancer evolution[J]. Nature, 2019, 567(7749): 479-485.

头图来源：Pixabay

本文作者 | 谭硕