北京时间2024年2月19日,《自然—方法学》杂志在线发表了美国哥伦比亚大学团队题为‘VIBRANT: spectral profiling for single-cell drug responses’的最新研究成果。研究人员基于振动光谱研发了一种新的表型分析方法,来测量单细胞水平上的药物响应,进而应用于药物筛选和开发。
美国哥伦比亚大学化学系和Kavli脑科学中心的闵玮教授为该论文通讯作者,刘昕雯博士为该论文第一作者。
测量基于单细胞水平的药物响应对于推进药物发现具有重要意义,因为它能准确地揭示细胞间的异质性,进而反映药物的实际治疗效果。相关的研究有助于理解药物机理、克服抗药性和实现精细药物疗法。然而,测量单细胞药物响应具有很大的挑战性。理想情况下,相应测量技术应满足以下要求:(1)在单细胞水平上有足够的信噪比,(2)高通量,(3)高内容,(4)非侵入性,(5)低成本和易操作性, 以及(6)微弱的批次或板布局效应。目前已有的技术还无法完全满足上述标准。举例来说,基于成像的表型方法,如Cell Painting,可提供丰富的形态学特征,但会表现明显的批次和布局效应。基于质谱的方法可以提供多样的代谢或抗原特征,但是本质上具有破坏性且成本高。单细胞RNA测序可揭示药物作用下的基因表达变化,但是成本高且操作复杂。
振动光谱技术可以从光谱中测量并提取细胞结构和功能的生物化学特征,使得它们在细胞表型分析中具有巨大潜力。并且,该技术从原理上来说不具有破坏性,且提取的特征多,测量速度快,成本相对低,操作简单。然而,在此之前,此类技术没有被系统性地用于单细胞药物响应的研究。尚不清楚它是否能在单细胞水平上区分不同药物处理下的细胞表型,以及进一步推断和预测药物机理。此外,相关的测量步骤和分析方法也是缺失的。
研究人员开发了一种名为 Vibrational Painting(VIBRANT)的光谱表型分析方法,集成了振动成像、多种振动探针和前沿的数据分析,以用于测量大规模单细胞药物反应(图1)。该工作系统地研究了振动成像在测量单细胞药物响应上的应用及其对药物研发的影响,并且在多个技术层面上都做了相应的优化。在探针方面,三种红外分子振动探针被设计并用于测量人类癌细胞中不同的基础代谢活动(图1a)。与无标记的振动成像方法相比,引入振动探针极大地提高了此方法在识别受药物干扰的细胞表型上的灵敏度 ,并且有效地减少了批次效应(图1b)。
从方法规模上来说,该工作设计了完整的测量和分析流程,包括癌细胞培养和探针的引入,中红外显微镜成像,单细胞成像分割,单细胞光谱数据的提取以及下游分析和药物机理的识别(图1c)。运用此方法流程,超过20000个单细胞的振动光谱数据被成功采集,对应于23种不同的药物处理。在数据分析方面,机器学习和异常检测方法被引入来推断药物的机理并检测新的候选药物分子。通过对比多种流行的监督学习方法,研究人员发现线性判别分析方法(LDA)在分析光谱数据上具有最好的表现,可以实现在单细胞水平上的关于十种药物机理的准确预测(F1分数高达0.997),并且在多批次效应的测试中表现稳定(图2a, 2b)。此外,为了更好地识别候选药物的机理特征,即判断其机理是否属于数据库中已有的机理还是属于全新的机理,研究人员结合机器学习和异常检测设计了一个新的算法,并通过实验验证了其可靠性(图2c)。
图1. VIBRANT的研发和工作流程。(a) 三种探针标记的平均单细胞红外振动光谱。(b)不同药物处理下的探针标记的单细胞红外振动光谱(左)和无标记的单细胞红外振动滚光谱(右)。(c)VIBRANT的工作流程。
图2. 基于单细胞水平的药物机理预测和新的药物检测。(a)线性判别分析方法 (LDA) 的三维降维图。(b)十种药物机理的预测混淆矩阵。(c)识别候选药物是否属于已有的药物机理(左)或全新的药物机理(右)。
总而言之,作为一种新型的表型分析方法,VIBRANT几乎满足了上述关于单细胞药物响应测量的所有标准,包括高灵敏度,高通量,多特征,较低成本,操作简单和小的批次效应,在识别药物机理和发现新药物上具有极大潜力。值得注意的是,虽然该工作中使用的是中红外显微成像技术,其原理可以推广并应用到所有振动成像技术中。
通过使用离散频率红外成像技术 (DFIR),此方法的测量速度可以继续提升10-100倍。通过使用光热红外成像或者快速拉曼成像技术,此方法可用于测量三维肿瘤类器官中的药物响应以辅助精准医学。另外,除药物扰动外,VIBRANT还可用于研究受基因扰动后细胞的表型变化。可以预测的是,VIBRANT可以继续被优化,发展,并运用于多种研究领域中。
相关论文信息:
https://www.nature.com/articles/s41592-024-02186-w
转载本文请联系原作者获取授权,同时请注明本文来自小柯生命科学网博客。
链接地址:https://wap.sciencenet.cn/blog-3423233-1423235.html?mobile=1
收藏