實(shí)時(shí)跟蹤和分析嵌合抗原受體（CAR）T細(xì)胞（CAR-T）靶向癌細(xì)胞的動(dòng)態(tài)變化，可以為癌癥免疫療法的開發(fā)開辟新的途徑。然而，通過傳統(tǒng)的顯微鏡方法進(jìn)行成像可能會(huì)導(dǎo)致細(xì)胞損傷，而且對(duì)細(xì)胞與細(xì)胞之間的相互作用進(jìn)行評(píng)估是非常困難和耗費(fèi)人力的。然而，當(dāng)將深度學(xué)習(xí)和三維全息顯微鏡應(yīng)用于這項(xiàng)任務(wù)時(shí)，這不僅避免了這些困難，而且還發(fā)現(xiàn)人工智能（AI）比人類表現(xiàn)得更好。

人工智能正在幫助科學(xué)家們破譯一種新的全息顯微鏡技術(shù)所獲得的圖像，以便調(diào)查癌癥免疫療法中“實(shí)時(shí)”發(fā)生的關(guān)鍵過程。人工智能將那些如果科學(xué)家們手動(dòng)開展的非常耗費(fèi)人力和時(shí)間的工作轉(zhuǎn)變?yōu)椴粌H毫不費(fèi)力，而且比他們自己做得更好。這項(xiàng)由韓國科學(xué)技術(shù)院（KAIST）的研究人員開展的研究近期發(fā)表在eLife期刊上，論文標(biāo)題為“Deep-learning-based three-dimensional label-free tracking and analysis of immunological synapses of CAR-T cells”。

圖片來自eLife, 2020, doi:10.7554/eLife.49023。

人類免疫系統(tǒng)不僅能對(duì)任何入侵者（如病原體或癌細(xì)胞）作出一般反應(yīng)，而且還能專門對(duì)該特定類型的入侵者作出反應(yīng)，并在它試圖再次入侵時(shí)記住它。免疫系統(tǒng)發(fā)育過程中的一個(gè)關(guān)鍵階段是在一種稱為T細(xì)胞的免疫細(xì)胞和一種向它呈遞源自入侵者的抗原的細(xì)胞之間形成連接。這個(gè)過程就像把嫌疑人的照片送到警車上，讓警員能認(rèn)出他們要追查的罪犯一樣。這兩種細(xì)胞之間的連接，稱為免疫突觸（immunological synapse），是教會(huì)免疫系統(tǒng)如何識(shí)別特定類型入侵者的關(guān)鍵過程。

由于免疫突觸的形成是抗原特異性免疫反應(yīng)啟動(dòng)的關(guān)鍵步驟，各種允許人們觀察該過程發(fā)生的技術(shù)已被用于研究它的動(dòng)態(tài)變化。這些實(shí)時(shí)成像技術(shù)大多依賴于熒光顯微鏡，在這種熒光顯微鏡中，基因調(diào)整導(dǎo)致細(xì)胞中的部分蛋白產(chǎn)生熒光，進(jìn)而允許通過熒光而不是通過許多傳統(tǒng)顯微鏡技術(shù)中使用的反射光來跟蹤對(duì)象。

然而，基于熒光的成像可能會(huì)受到光漂白和光毒性之類的影響，從而阻止長期評(píng)估免疫突觸形成過程中的動(dòng)態(tài)變化。基于熒光的成像仍然涉及照明，一經(jīng)照明，熒光團(tuán)（引起熒光的化合物）發(fā)出不同顏色的光。當(dāng)觀察對(duì)象遭受過多的照明時(shí)，會(huì)發(fā)生光漂白或光毒性，從而導(dǎo)致化學(xué)改變或細(xì)胞損傷。

最近的一種取消了熒光標(biāo)記從而避免了這類問題的選擇方案是三維全息顯微鏡或全息斷層掃描顯微鏡（holotomography, HT）。在這種技術(shù)中，折射率（當(dāng)遇到密度不同的物質(zhì)時(shí)，光線改變方向的方式--為什么一根吸管看起來像在水杯中彎曲一樣）被記錄在三維全息圖中。 到目前為止，HT一直用于研究單細(xì)胞，但從未研究過免疫反應(yīng)中涉及的細(xì)胞與細(xì)胞之間的相互作用。其中的一個(gè)主要原因是“分割（segmentation）”的困難，分割指的是區(qū)分細(xì)胞的不同部分，從而區(qū)分相互作用的細(xì)胞；換句話說，破譯哪個(gè)部分屬于哪個(gè)細(xì)胞。

手動(dòng)分割，或手動(dòng)標(biāo)記出不同的部分，是一種選擇方案，但它是困難和耗時(shí)的，特別是在三維空間中。為了克服這個(gè)問題，人們開發(fā)出了自動(dòng)分割技術(shù)，這樣利用簡(jiǎn)單的計(jì)算機(jī)算法就可以進(jìn)行識(shí)別。

論文共同通訊作者、KAIST物理系教授YongKeun Park解釋說，“但是這些基本算法經(jīng)常會(huì)犯錯(cuò)誤，特別是在相鄰分割（adjoining segmentation）方面，當(dāng)然這正是我們最感興趣的免疫反應(yīng)發(fā)生的事情?！?/p>

于是，這些研究人員將深度學(xué)習(xí)框架應(yīng)用于HT分割問題。深度學(xué)習(xí)是一種類型的機(jī)器學(xué)習(xí)，即基于人腦的人工神經(jīng)網(wǎng)絡(luò)以類似人類的方式識(shí)別模式。常規(guī)的機(jī)器學(xué)習(xí)需要將數(shù)據(jù)作為已經(jīng)標(biāo)記的輸入。人工智能通過理解已標(biāo)記的數(shù)據(jù)進(jìn)行“學(xué)習(xí)”，當(dāng)輸入新的數(shù)據(jù)時(shí)，再識(shí)別已標(biāo)記的概念。例如，在一千張標(biāo)記為“貓”的貓圖片上訓(xùn)練的人工智能在下次遇到有貓的圖片時(shí)，應(yīng)該可以識(shí)別出貓。深度學(xué)習(xí)涉及到多層人工神經(jīng)網(wǎng)絡(luò)來積極處理更大的但沒有標(biāo)記的數(shù)據(jù)集，在這種情況下，人工智能為它遇到的概念開發(fā)它自己的“標(biāo)記”。

從本質(zhì)上講，這些研究人員開發(fā)的名為DeepIS的深度學(xué)習(xí)框架提出了自己的概念，通過這些概念來區(qū)分免疫突觸形成過程中的不同部分。為了驗(yàn)證這種方法，他們將它應(yīng)用于CAR-T細(xì)胞和靶癌細(xì)胞之間形成的特定免疫突觸的動(dòng)態(tài)變化。然后，他們將這些研究結(jié)果與通常情況下的做法進(jìn)行了比較：執(zhí)行手動(dòng)分割的繁瑣過程。他們發(fā)現(xiàn)，DeepIS不僅能夠高精度地確定免疫突觸內(nèi)的區(qū)域，而且這種技術(shù)甚至能夠捕捉到免疫突觸內(nèi)的蛋白總體分布的信息，而這些信息可能不容易用傳統(tǒng)技術(shù)測(cè)量到。

Park補(bǔ)充道，“除了讓我們避免了人工分割的繁瑣，以及光漂白和光毒性的問題，我們發(fā)現(xiàn)人工智能實(shí)際上做得更好?！?/p>

下一步將把這種技術(shù)與給測(cè)量免疫突觸的不同部分施加多少物理力的方法（比如全息光學(xué)鑷子或牽引力顯微鏡）結(jié)合起來。（生物谷 世聯(lián)博研Bioexcellence）

小編推薦會(huì)議  2021（第十二屆）細(xì)胞治療線上國際研討會(huì)

http://meeting.世聯(lián)博研Bioexcellence/2021cell-therapies？__token=liaodefeng