科学家们正在利用人工智能更好地捕捉肿瘤周围健康细胞如何影响癌细胞行为，以及这些相互作用如何为治疗提供信息。
即使细胞也会经历同伴压力。
科学家们长期以来一直研究癌细胞的种种细节，以便更深入地了解这种疾病，但他们越来越发现，癌细胞附近的非癌细胞对肿瘤的进程产生了强大的影响。
“肿瘤中的所有细胞并不是癌细胞——它们甚至并不总是最占主导地位的细胞类型，”斯坦福大学医学院生物医学数据科学系主席西尔维娅·普列夫里蒂斯博士说。“还有许多其他细胞类型支持肿瘤。”
为了更好地捕捉细胞的位置和相互作用的全貌，普列夫里蒂斯和一组研究人员开发了一种他们称之为“共定位组”（colocatome，发音为co-locate-ome）的模型。它是根据描述其他分子类别和人类生物学多个方面的命名法而建模的（关于基因的集体信息称为基因组；蛋白质称为蛋白质组；代谢物称为代谢组，等等），共定位组记录了恶性细胞对邻近细胞的详细情况——这些细胞是什么，以及它们的数量。
“我们研究癌细胞已经很久了，但这个画面仍然不完整，”生物医学数据科学讲师吉娜·布沙尔博士说。“理解肿瘤生物学不仅仅是关于癌细胞；还有一个需要研究的完整生态系统。癌细胞需要帮助以生存、抵抗、繁荣，甚至有时需要死亡。”
描述这些发现的研究发表于《自然通讯》期刊上。布沙尔是第一作者，普列夫里蒂斯是资深作者。
绘制影响图
癌细胞对周围环境的依赖程度令人惊讶。根据肿瘤周围非癌细胞的位置、类型和数量，细胞的行为可能会改变，无论是通过更快的生长、降低对药物的易感性还是提高细胞的新陈代谢率。
“我们在问的问题非常简单。我们想知道每个细胞的邻居是谁。谁喜欢谁？谁不喜欢谁？这全是关于哪些细胞倾向于在一起，哪些细胞很少聚在一起，”布沙尔说。相互吸引的细胞被描述为“共定位”，而看似相互排斥的细胞形成“反共定位”。这些共定位随后与癌症的状态——攻击性、耐药、对药物敏感——相关联，并被记录在共定位组中。
研究小组在实验室中开发了肺癌的实验模型，然后使用人工智能对其进行分析，识别出非癌细胞以及它们在肿瘤细胞内外的组织方式。他们将共定位与患者肿瘤活检中的共定位进行了比较。在绘制了数百个细胞配置后，他们确认大多数患者原发肿瘤中的共定位在实验模型中也有观察到。（这种重叠很重要，布沙尔说。这意味着这些模型是对肺癌患者发生情况的有价值且准确的表征。）
普列夫里蒂斯和其他人的过去研究显示，成纤维细胞与癌细胞之间存在强烈的相互作用，但成纤维细胞与癌细胞之间到底是如何相互作用的仍不清楚。在一项实验中，普列夫里蒂斯展示了当用一种抑制细胞生长的抗肿瘤药物处理肺癌细胞时，它们会死亡。但如果将成纤维细胞混入其中，整个景观就会发生变化——字面意义上。普列夫里蒂斯绘制了经过处理的肿瘤模型，看到在治疗后，癌细胞和成纤维细胞通常保持相同的数量。但它们重新排列了自身。
“这种空间重组似乎导致了耐药性，”医学学院的威廉·M·休姆教授普列夫里蒂斯说。“就像更换房间里的家具，然后发现出口被堵住了。”
追寻新线索
随着团队继续记录治疗过和未治疗肿瘤的空间地图，他们希望解锁更多的配置，帮助医生了解为什么某些癌症在治疗后仍然持续存在。研究人员表示，理想情况下，共定位组可以提供指导患者癌症治疗的信息：例如，如果特定共定位赋予对常用药物的耐药性，医生可以寻找其他药物，它们可能更有机会奏效。他们还希望共定位图将生成可测试的假设，以描述仍不明确的癌生物学方面。
随着收集更多数据，团队计划利用人工智能识别特定的空间图案，并创建不同癌症的不同细胞状态对应的地图目录。“然后我们可以开始查看某些空间图案是否在不同癌症类型之间共享，无论它们起源于身体的哪个部位。这可能揭示肿瘤行为的普遍规律，并指导更广泛有效治疗的设计，”普列夫里蒂斯说。“这是我非常兴奋的事情。”
来自牛津大学的研究人员为这项研究做出了贡献。
这项研究得到了国立卫生研究院（资助号R25CA180993、U54CA274511和K99CA255586）和魁北克研究基金的资助。
斯坦福大学生物医学数据科学部也支持这项工作。
