PNAS：郭峰团队开发智能化微流控平台，改善癌症免疫治疗

免疫细胞浸润和细胞毒作用在炎症和免疫治疗中起着至关重要的作用。然而，目前的癌症免疫治疗筛选方法忽略了T细胞穿透肿瘤间质的浸润能力，从而极大地限制了实体瘤有效治疗的发展。

近日，美国印第安纳大学伯明顿分校郭峰团队在 PNAS 期刊发表了题为：Microfluidics guided by deep learning for cancer immunotherapy screening 的研究论文。

该研究开发了一种平台工具，将微流控与深度学习技术相结合，有效地识别促进T细胞肿瘤浸润和提高癌症免疫治疗效果的表观遗传药物，从而帮助改善癌症免疫治疗。

该论文的通讯作者郭峰教授表示，该研究开发的平台非常独特，能够观察不同的疗法如何影响对目标癌细胞的杀伤，甚至是T细胞肿瘤浸润情况。

微流控（microfluidics），也被形象地成为芯片实验室（lab-on-a-chip），是在微观通道中进行流体操作的技术，本质上是将不同的实验室功能缩小到一个微芯片上。

深度学习（Deep Learning）是受生物神经网络启发的基于计算系统的机器学习，属于人工智能（AI）技术。

实体瘤占据了人类癌症的绝大部分。然而，目前的癌症免疫治疗筛查方法忽略了T细胞等免疫细胞穿透实体瘤组织的能力。癌症免疫疗法取得了非常大的成功，但对于实体瘤而言，仍然面临着巨大挑战，很难开发出既能浸润到实体瘤组织中，又能有效杀伤肿瘤细胞的有效疗法。

在这项研究中，研究团队希望开发出一种新的肿瘤免疫治疗筛查平台，可以动态跟踪T细胞的肿瘤浸润及对肿瘤细胞的杀伤情况，从而能够以高通量和自动化的方式扫描许多潜在抗癌药物。

研究团队利用临床数据训练了一种深度学习算法，包括实体肿瘤的数字化图像和患者生存数据。然后，他们将这种深度学习算法与微流控平台集成，提出了一个自动化高通量微流控平台，用于实时跟踪三D肿瘤培养中T细胞浸润和细胞毒作用的动态。该平台可以模拟肿瘤免疫，并筛选新的免疫疗法，促进T细胞肿瘤浸润和杀死癌细胞。

通过使用基于临床数据驱动深度学习方法的临床肿瘤浸润淋巴细胞（TIL）评分分析仪，该平台可以根据T细胞浸润模式评分来评估每种治疗的疗效。

使用该平台，研究团队对一个药物库进行了筛选，发现一种表观遗传药物——赖氨酸特异性组蛋白去甲基化酶1抑制剂（LSD1i），可以有效促进T细胞肿瘤浸润，并与免疫检查点抑制剂（anti-PD1）联合使用，在体内提高癌症治疗效果。

总的来说，该研究开发了一种用于筛选T细胞-实体瘤相互作用的自动化系统和策略，以高通量筛选肿瘤免疫疗法及联合疗法。

研究团队表示，这种智能微流控平台，对于解决实体瘤免疫治疗具有很大的潜力。此外，该平台还可以用于肿瘤学以外的领域，例如免疫学、神经学、微生物学、组织工程、再生医学、转化医学等。这项研究代表了科学于技术的强大力量，具有改变医学研究的潜力。

原始出处：

Zhang A， et al.， Microfluidics guided by deep learning for cancer immunotherapy screening. PNAS，2022.