国外

<p>揭示了肿瘤的组织复杂性</p><p>中心图像是多形性胶质母细胞瘤的整个载玻片图像</p><p>箭头表示放大的不同区域</p><p>伯克利实验室的科学家们已经开发出一种分析大量肿瘤图像的自动化方法</p><p>伯克利实验室的科学家开发了一种算法和计算管道,可以梳理大量图像并识别肿瘤亚型,有助于阐明肿瘤亚型是否可以预测治疗的有效性,并使科学家能够更多地了解遗传和分子机制</p><p>控制肿瘤特征</p><p>这对于大数据如何:肿瘤切片的整个幻灯片图像可以是100亿像素</p><p>在癌症基因组图谱项目维护的肿瘤队列中可以有数千个这样的图像,这些图像是从大量患者中收集的</p><p>这些图像是新兴精准医学领域的潜在宝库</p><p>隐藏在数十亿像素中的是一个关于肿瘤细胞如何组织自身的故事,影响这些结构特征的分子网络,以及它对患者意味着什么</p><p>不幸的是,从众多图像中剔除这些信息很困难</p><p>这是因为没有两个肿瘤是相似的,并且在如何制备样品方面存在无数的技术变化</p><p>这种分析很快就会变得容易</p><p>伯克利实验室的科学家们开发了一种算法和计算管道,可以梳理大量图像并识别肿瘤亚型</p><p>它还确定了异质性,或肿瘤包含不同组织结构的程度</p><p>然后,管道使用临床数据对可预测患者结果的细胞特征进行排序</p><p>它还使用大规模基因组数据来识别每个亚型的分子相关性</p><p>由此产生的信息将帮助科学家更多地了解控制肿瘤特征的遗传和分子机制</p><p>它还将阐明肿瘤亚型是否可以预测治疗的有效性</p><p> “我们的目标是确定可以预测治疗的形态和建筑特征</p><p>我们还想了解导致建筑偏差的分子特征,“伯克利实验室生命科学部门的Bahram Parvin说</p><p>核心计算模块和管道的开发分别由Hang Chang和Gerald Fontenay在生命科学部门的Parvin实验室领导</p><p>核心计算模块的工作原理是从图像中提取每个单元格,然后分析每个单元格的属性,如大小,形状和组织</p><p>以这种方式,从大量图像中收集特定肿瘤亚型的指示特征</p><p>正如最近报道的那样,科学家通过将其应用于来自146名患有侵袭性脑癌(称为多形性胶质母细胞瘤)的患者的377张全幻灯片图像来验证他们的管道</p><p>该管道基于一系列细胞谱确定了几种肿瘤亚型</p><p>它还确定每个亚型是否可预测患者对替代疗法的反应</p><p>尽管该管道是用高性能计算机语言开发的,但它是计算密集型的,需要广泛使用由伯克利实验室IT部门运营的Lawrencium集群</p><p>科学家们还为这些图像创建了一个在线资料库,其中还包括低级胶质细胞和肾脏肾癌肿瘤切片的图像</p><p>该网站允许谷歌地图样式缩放和平移组织切片</p><p>科学家接下来希望除了细胞结构之外,还可以在图像上叠加更多信息,以更广泛地表示肿瘤的特征以及肿瘤组织学不同组成部分之间的相互作用</p><p>相关材料:Chang H.,et al</p><p>,“癌症基因组Atlas队列中多形态胶质细胞瘤核结构的不变描述</p><p>”(2012)PMID:23221815来源:劳伦斯伯克利国家实验室Dan Krotz图片: