肿瘤基质蛋白的分离与鉴定
获得肿瘤类型和分级匹配的基质蛋白 cocktail，用于模拟肿瘤微环境。
从HNSCC和CRC肿瘤组织中分离基质蛋白，通过LCMS/MS分析组成和丰度，选择保守蛋白制备分级匹配的TMP cocktail。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
利用捕获肿瘤异质性的离体平台预测抗癌药物的临床反应
Predicting clinical response to anticancer drugs using an ex vivo platform that captures tumour heterogeneity.
实验完整度
高包含离体肿瘤外植体培养、患者来源异种移植体内模型、患者样本临床验证及机器学习预测验证等多层级证据。
主要模型
HNSCC和CRC患者肿瘤外植体 患者来源异种移植瘤（HTX） HNSCC和CRC患者临床队列
重点核对
外植体培养于肿瘤分级匹配的TMP包被板中，培养基含2%自体血清和8%FBS，处理72小时。 TPF方案（多西他赛、顺铂、5-氟尿嘧啶）或西妥昔单抗+FOLFIRI方案处理外植体，每24小时换液。 HTX小鼠接受TPF（顺铂2.5 mg/kg、多西他赛20 mg/kg、5-FU 50 mg/kg）或西妥昔单抗4 mg/kg治疗3-4周。 机器学习模型使用109例患者训练，55例患者独立验证，评估敏感性、特异性及准确性。 功能读数包括细胞活力、组织病理学、增殖和凋亡，并赋予权重系数。
摘要
预测抗癌药物的临床反应仍然是癌症治疗中的主要挑战。新近报道表明，肿瘤微环境和异质性可能限制当前基于生物标志物的化疗策略的预测能力。在此，我们报道了工程化的个性化肿瘤生态系统，该生态系统在特定肿瘤分级匹配的基质支持和自体患者血清中维持肿瘤外植体，从而在情境上保留肿瘤异质性并模拟肿瘤微环境。来自109例患者的肿瘤生态系统的功能反应、抗癌药物反应以及相应的临床结果被用于训练机器学习算法；学习到的模型随后应用于独立验证组的55例患者以预测临床反应，我们实现了100%的预测敏感性，同时将特异性保持在理想的高范围。肿瘤生态系统和算法（统称为CANScript技术）可以成为一个强大的平台，助力实现个性化医疗。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否通过保留肿瘤异质性的离体肿瘤生态系统结合机器学习算法，准确预测抗癌药物的临床反应？
- 核心机制
- 肿瘤生态系统通过肿瘤分级匹配的基质蛋白和自体血清维持肿瘤异质性和微环境，其功能反应经SVMpAUC算法整合可预测临床反应。
- 主要证据
- 来自109例患者的肿瘤生态系统功能反应和临床结果训练机器学习模型，在55例独立验证组中达到100%敏感性和91.67%特异性；外植体与HTX体内反应呈线性相关（R2=0.903）。
- 研究意义
- CANScript平台可作为一种强大的个性化医疗工具，用于预测抗癌药物反应，可能优于基于生物标志物的策略。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
肿瘤外植体培养与TMP支持验证
验证分级匹配的TMP对维持肿瘤形态、增殖和活力的作用。
将肿瘤组织切片培养于TMP包被板中72小时，通过H&E、Ki-67染色、细胞活力检测评估。
自体血清对信号网络和表型的维持
验证自体血清中的生长因子对维持肿瘤信号网络和表型的作用。
使用不同浓度AS培养外植体，检测Ki-67、ATP利用、pEGFR、pMet、pERK等。
肿瘤生态系统的构建与表征
整合TMP和AS构建肿瘤生态系统，验证其保留亲本肿瘤表型和转录组特征。
外植体在AS+TMP条件下培养，通过IHC、微阵列、qRT-PCR检测表型和基因表达。
离体与体内药物反应相关性验证
验证CANScript外植体药物反应与HTX体内反应的一致性。
HTX来源的CANScript外植体用TPF或西妥昔单抗处理，比较外植体反应与HTX体内肿瘤生长抑制。
机器学习模型训练与临床验证
利用患者外植体功能反应和临床结果训练算法，并在独立验证组中测试预测性能。
从109例患者外植体获取功能读数，训练SVMpAUC模型，在55例新患者中验证。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 细胞培养 | RPMI培养基 | Life Technologies | -- |
| 胎牛血清 | Life Technologies | 10270-106 | |
| 胰岛素-转铁蛋白-硒 | Life Technologies | 41400-045 | |
| GlutaMAX | Life Technologies | 35050-061 | |
| 青霉素、链霉素和两性霉素B | Life Technologies | 15140-122 | |
| 组织消化 | 分散酶 | Stem cell Technologies Inc. | -- |
| 蛋白提取 | 蛋白酶抑制剂 | Roche | 11836153001 |
| 磷酸酶抑制剂 | Sigma-aldrich | P0044 | |
| 磷酸酶抑制剂 | Sigma-aldrich | P5726 | |
| 免疫荧光 | 抗胶原蛋白1抗体 | Abcam | ab34710 |
| Alexa Fluor 555 | Cell Signaling Technology | 4409 | |
| Vecta-Shield DAPI封片剂 | Vector laboratories | H-1200 | |
| 免疫组化 | 抗EGF中和抗体 | Cell Signaling Technology | 12157 |
| LCMS/MS | 利血平 | Sigma-aldrich | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 肿瘤外植体培养 | TMP包被浓度、AS浓度、FBS浓度、培养时间、外植体厚度 阅读提示：Methods中Human tumour explant culture小节及Figure 2、3图注 |
| 药物处理 | TPF或西妥昔单抗+FOLFIRI的浓度、处理时间、换液间隔 阅读提示：Methods中Human tumour explant culture小节 |
| HTX体内实验 | 小鼠品系、肿瘤接种量、给药剂量、给药频率、治疗时长、肿瘤体积测量方法 阅读提示：Methods中Human tumour xenografts小节 |
| 机器学习模型 | 训练集和验证集样本量、功能读数权重系数、阈值、SVMpAUC参数 阅读提示：Methods中Machine learning algorithm小节及Figure 7 |
| 临床反应评估 | PERCIST标准、CR/PR/NR定义 阅读提示：Results中CANScript as a tool to predict treatment outcome in patients小节及Figure 7图注 |