采用人工智能驱动的空间蛋白质组学分析方法研究小鼠癌症模型中的肿瘤-免疫相互作用
未经治疗肿瘤的空间图谱分析可呈现肿瘤免疫结构的整体特征，有助于理解治疗反应。具有免疫活性的小鼠模型对于识别肿瘤发生发展过程中免疫依赖性事件至关重要。要表征这些具有完整免疫系统及相互作用细胞组分的模型，需要采用多重标记分析技术。我们展示了一种基于人工智能的空间蛋白质组学方法，用于研究小鼠癌组织中的肿瘤-免疫互作机制。

• 了解 Cell DIVE 多重成像技术与 Cell Signaling Technology 经 IHC 验证抗体的结合如何实现多种细胞类型的精准检测。       
• 探讨肿瘤细胞代谢与免疫抑制机制在癌症进展中的作用。       
• 探索如何利用 Aivia 进行 AI 引导的图像分析以简化空间蛋白质组学研究。       
• 识别特定免疫细胞亚型、其相对于肿瘤区域的分布及相互作用，从而更深入地理解驱动肿瘤进展和治疗反应的复杂动态机制。

采用 Cell DIVE 多重成像技术与 Aivia 人工智能驱动分析相结合，可简化空间蛋白质组学分析流程。该工作流使研究人员能够对肿瘤微环境中各类免疫细胞亚型与肿瘤细胞进行精细表征和空间定位，揭示组织内复杂的相互作用及异质性特征。

01 多重成像与人工智能分析的整合应用

本研究探讨了癌症进展与治疗过程中免疫系统与肿瘤细胞之间复杂的相互作用关系。Cell DIVE 多重成像技术能在单张组织切片上检测数十种生物标志物，提供展示各类细胞类型的全组织分子图谱。Cell Signaling Technology 提供的 IHC 验证抗体与 Cell DIVE 完美兼容，可增强组织样本中各类细胞的检测与表型分析。Aivia 软件的整合通过 AI 引导的分割、表型分析和聚类分析简化了空间生物学工作流程。以 4T1 小鼠肿瘤模型为例的研究证实了该空间蛋白质组学工作流程的实用性，揭示了肿瘤内部异质性免疫景观及复杂的空间关系。  

通过 Aivia 平台进行 AI 辅助分割与表型分析，我们对 Cell DIVE 多重全组织图像中所有标志物的表达特征进行了系统表征（图 1）。
图 1：使用 Aivia 进行多重图像分析。A. Cell DIVE 全组织多重图像及局部放大面板。B. 通过 Aivia 的多重细胞检测方案实现细胞膜与核膜分割，将各细胞识别为独立对象。C. AI 辅助表型分析鉴定各类细胞，包括免疫细胞、肿瘤细胞、成纤维细胞、内皮细胞及 Glut1 阳性细胞（可能属于免疫或肿瘤细胞等不同类型）。

02  肿瘤微环境对免疫细胞分布的影响

研究揭示了特定免疫细胞类型（如 T 细胞、巨噬细胞和树突状细胞）相对于肿瘤内缺氧与坏死区域的空间分布特征，表明肿瘤微环境对免疫细胞行为的影响及其对治疗结局的潜在意义。
 
在同基因 4T1 小鼠肿瘤模型中，利用 Cell DIVE 和 Aivia 进行 AI 驱动的空间蛋白质组学分析，揭示了一个复杂多样的免疫图谱。总体而言，这项研究强调了多重成像技术与 AI 驱动分析相结合的重要性，以理解肿瘤微环境内的空间关系及相互作用，为开发更有效的癌症疗法提供了见解。

相关产品