eLife论文解读！利用深度学习技术驱动的三维全息照相显微镜追踪和分析CAR-T细胞的免疫突触

2021年3月16日讯/生物谷BIOON/---实时跟踪和分析嵌合抗原受体（CAR）T细胞（CAR-T）靶向癌细胞的动态变化，可以为癌症免疫疗法的开发开辟新的途径。然而，通过传统的显微镜方法进行成像可能会导致细胞损伤，而且对细胞与细胞之间的相互作用进行评估是非常困难和耗费人力的。然而，当将深度学习和三维全息显微镜应用于这项任务时，这不仅避免了这些困难，而且还发现人工智能（AI）比人类表现得更好。

人工智能正在帮助科学家们破译一种新的全息显微镜技术所获得的图像，以便调查癌症免疫疗法中“实时”发生的关键过程。人工智能将那些如果科学家们手动开展的非常耗费人力和时间的工作转变为不仅毫不费力，而且比他们自己做得更好。这项由韩国科学技术院（KAIST）的研究人员开展的研究近期发表在eLife期刊上，论文标题为“Deep-learning-based three-dimensional label-free tracking and analysis of immunological synapses of CAR-T cells”。

图片来自eLife, 2020, doi:10.7554/eLife.49023。

人类免疫系统不仅能对任何入侵者（如病原体或癌细胞）作出一般反应，而且还能专门对该特定类型的入侵者作出反应，并在它试图再次入侵时记住它。免疫系统发育过程中的一个关键阶段是在一种称为T细胞的免疫细胞和一种向它呈递源自入侵者的抗原的细胞之间形成连接。这个过程就像把嫌疑人的照片送到警车上，让警员能认出他们要追查的罪犯一样。这两种细胞之间的连接，称为免疫突触（immunological synapse），是教会免疫系统如何识别特定类型入侵者的关键过程。

由于免疫突触的形成是抗原特异性免疫反应启动的关键步骤，各种允许人们观察该过程发生的技术已被用于研究它的动态变化。这些实时成像技术大多依赖于荧光显微镜，在这种荧光显微镜中，基因调整导致细胞中的部分蛋白产生荧光，进而允许通过荧光而不是通过许多传统显微镜技术中使用的反射光来跟踪对象。

然而，基于荧光的成像可能会受到光漂白和光毒性之类的影响，从而阻止长期评估免疫突触形成过程中的动态变化。基于荧光的成像仍然涉及照明，一经照明，荧光团（引起荧光的化合物）发出不同颜色的光。当观察对象遭受过多的照明时，会发生光漂白或光毒性，从而导致化学改变或细胞损伤。

最近的一种取消了荧光标记从而避免了这类问题的选择方案是三维全息显微镜或全息断层扫描显微镜（holotomography, HT）。在这种技术中，折射率（当遇到密度不同的物质时，光线改变方向的方式--为什么一根吸管看起来像在水杯中弯曲一样）被记录在三维全息图中。 到目前为止，HT一直用于研究单细胞，但从未研究过免疫反应中涉及的细胞与细胞之间的相互作用。其中的一个主要原因是“分割（segmentation）”的困难，分割指的是区分细胞的不同部分，从而区分相互作用的细胞；换句话说，破译哪个部分属于哪个细胞。

手动分割，或手动标记出不同的部分，是一种选择方案，但它是困难和耗时的，特别是在三维空间中。为了克服这个问题，人们开发出了自动分割技术，这样利用简单的计算机算法就可以进行识别。

论文共同通讯作者、KAIST物理系教授YongKeun Park解释说，“但是这些基本算法经常会犯错误，特别是在相邻分割（adjoining segmentation）方面，当然这正是我们最感兴趣的免疫反应发生的事情。”

于是，这些研究人员将深度学习框架应用于HT分割问题。深度学习是一种类型的机器学习，即基于人脑的人工神经网络以类似人类的方式识别模式。常规的机器学习需要将数据作为已经标记的输入。人工智能通过理解已标记的数据进行“学习”，当输入新的数据时，再识别已标记的概念。例如，在一千张标记为“猫”的猫图片上训练的人工智能在下次遇到有猫的图片时，应该可以识别出猫。深度学习涉及到多层人工神经网络来积极处理更大的但没有标记的数据集，在这种情况下，人工智能为它遇到的概念开发它自己的“标记”。

从本质上讲，这些研究人员开发的名为DeepIS的深度学习框架提出了自己的概念，通过这些概念来区分免疫突触形成过程中的不同部分。为了验证这种方法，他们将它应用于CAR-T细胞和靶癌细胞之间形成的特定免疫突触的动态变化。然后，他们将这些研究结果与通常情况下的做法进行了比较：执行手动分割的繁琐过程。他们发现，DeepIS不仅能够高精度地确定免疫突触内的区域，而且这种技术甚至能够捕捉到免疫突触内的蛋白总体分布的信息，而这些信息可能不容易用传统技术测量到。

Park补充道，“除了让我们避免了人工分割的繁琐，以及光漂白和光毒性的问题，我们发现人工智能实际上做得更好。”

下一步将把这种技术与给测量免疫突触的不同部分施加多少物理力的方法（比如全息光学镊子或牵引力显微镜）结合起来。（生物谷 Bioon.com）

参考资料：

Moosung Lee et al. Deep-learning-based three-dimensional label-free tracking and analysis of immunological synapses of CAR-T cells. eLife, 2020, doi:10.7554/eLife.49023.