Тип работы:
Предмет:
Язык работы:


АНАЛИЗ МИКРООКРУЖЕНИЯ ТКАНИ ОПУХОЛИ МЕТОДОМ МУЛЬТИПЛЕКСНОЙ ИММУНОФЛУОРЕСЦЕНЦИИ

Работа №76990

Тип работы

Бакалаврская работа

Предмет

медицина

Объем работы53
Год сдачи2020
Стоимость4760 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
42
Не подходит работа?

Узнай цену на написание


Введение 4
Обзор литературы 6
О раке предстательной железы 6
О микроокружении ткани опухоли 10
Метод циклической иммунофлуоресценции CyCIF 13
Другие методы комплексного исследования тканей 19
Подходы к автоматической сегментации клеток 22
Применение конволюционных нейронных сетей в решении задачи сегментации 23
Материалы и методы 25
Результаты 34
Обсуждение 49
Выводы 50
Список литературы

Онкологические заболевания - одна из наиболее частых причин смерти в мире. По данным Всемирной организаций здравоохранения, рак занимает вторую позицию в списке лидирующих причин смертности, уступая только сердечно-сосудистым заболеваниям.1 Каждая шестая смерть в мире происходит в следствие опухолевого процесса. При этом разные виды рака отличаются по частоте выявления и опасности для жизни человека. Согласно информации из базы данных GLOBOCAN, на 2018 год, исследуемый в данной работе рак простаты является вторым по частоте диагностирования у мужчин среди всех онкологических заболеваний (13,5% случаев) после рака лёгких (14,5 % случаев).2
Необходимо отметить, что существует тенденция ежегодного увеличения диагностируемых случаев онкологических заболеваний.3-5 Таким образом, в настоящее время перед обществом особенно остро стоит проблема их выявления и лечения.
Существует большое количество методов исследования тканей опухоли и способов лечения этих заболеваний. Новые методы лечения, такие как таргетная и иммунная терапия, являются следствием значительного научного прогресса в понимании молекулярных механизмов канцерогенеза и разнообразных клеточных взаимодействий в области опухолевого микроокружения. Для определения клеточного состава ткани и внутриклеточной экспрессии различных молекулярных компонент, в современной диагностической практике одним из наиболее популярных является метод проточной цитометрии6. Однако, данный метод, как и многие другие лабораторные методы, в которых происходит разрушение структуры самой ткани, позволяет оценить клеточный состав лишь количественно, не давая информации об архитектуре опухоли и расположении клеток относительно друг друга. Возможность достаточно быстро и качественно получать такую информацию из образца открывает большое поле для научных исследований и потенциально может сыграть важную роль в развитии медицины. Принятый в медицинской практике метод иммуногистохимии (IHC) используется в основном для визуализации небольшого набора маркеров на слайде. Сложность задачи визуализации достаточного набора маркеров для определения местоположения и типов клеток в образце связана с техническими ограничениями для одновременной визуализации разных маркеров, длительным процессом окрашивания, риском разрушения образца в процессе работы, а также необходимостью в разработке и применении алгоритмов машинного обучения для быстрой и качественной обработки полученных изображений и идентификации клеточных контуров.
В последние годы появляются новые методы иммуногистохимических исследований, позволяющие визуализировать до 60 маркеров на одном слайде. В данной работе будут исследованы возможности одного из методов MxIF (Multiplexed Immunofluorescence) - циклической иммунофлуоресценции (CyCIF)7-9, на примере 15 образцов аденокарциномы предстательной железы и представлен способ обработки и анализа флуоресцентных изображений ткани при помощи машинного обучения.
При диагностике рака простаты и наблюдении за течением этого заболевания используется метод mpMRI10,11, который безопаснее регулярного проведения биопсии, так как было показано, что частый забор биологического материала может способствовать развитию воспаления у больного. Такой побочный эффект наблюдался у 1-4% пациентов.12 Важно отметить, что MRI не всегда позволяет выявить злокачественное разрастание ткани простаты. Так, в работе 2019 года13 было показано, что 23 из 89 пациентов получило ложно-отрицательное заключение на основании МРТ-исследования, при этом 17.4% из них имели средний и высокий риск в соответствии с Decipher Genomic Classifier.14 Это же подтверждается рядом других исследований, которые своей целью ставили определение факторов, влияющих на видимость злокачественного образования при mpMRI.15,16
Целями данной работы являлись изучение возможностей метода MxIF при исследовании образцов аденокарциномы предстательной железы и поиск критериев, позволяющих определить различие в образцах, определяемых (MRI-visible) и не определяемых (MRI-invisible) как опухолевые по результатам mpMRI.
Задачи для реализации поставленной цели включали в себя:
• решить задачу сегментации клеток на основе изображений,
полученных методом мультиплексной иммунофлуоресценции;
• определить клеточные типы на основании классификации по экспрессии имеющихся маркеров;
• проанализировать взаимное расположение клеток на срезах;
• реализовать метрики сравнения опухолевого и не злокачественного эпителия, а также стромального микроокружения опухоли в тканях MRI-visible и MRI-invisible пациентов.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании студенческих
и аспирантских работ!


В данной работе был проведен анализ флуоресцентных изображений, полученных методом циклической иммунофлуоресценции для изучения возможностей исследования тканей без нарушения их архитектуры:
1. Обучена нейронная сеть для выделения клеточных контуров на изображениях;
2. Выделены 9 клеточных типов на основании интенсивности свечения имеющихся маркеров;
3. Проанализировано взаимное расположение клеток на слайдах гистологических препаратов аденокарциномы предстательной железы;
4. Проведено сравнение плотностей распределения клеток в разных регионах опухоли для двух групп пациентов, сформированных на основании результатов МРТ-диагностики. Статистически значимых отличий получено не было;
5. Проведен анализ групп клеточных соседств, выделено 10 групп. Статистически значимых отличий по пропорциям этих групп для пациентов с определяемым и не определяемым по МРТ диагнозом не обнаружено;
6. Проведено вычисление различий между распределениями стромы в зонах опухоли и зонах без видимых злокачественных изменений с помощью метрики Вассерштайна для каждого пациента когорты. Для двух исследуемых групп пациентов получено p-value = 0.7 при сравнении по этому параметру;
7. Существенное различие между двумя группами получено по критерию среднего количества опухолевых соседей у опухолевой клетки эпителия в ацинусах с видимыми изменениями морфологии относительно неопухолевой ткани (p-value = 0.06).



1. Cancer. https://www.who.int/news-room/fact-sheets/detail/cancer.
2. Bray, F. etal. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J. Clin. 68, 394-424 (2018).
3. Three measures of cancer mortality. https://ourworldindata.org/grapher/cancer-deaths-rate- and-age-standardized-rate-index.
4. Number of people with cancer. https://ourworldindata.org/grapher/number-of-people-with- cancer.
5. Cancer incidence. https://ourworldindata.org/grapher/cancer-incidence.
6. McKinnon, K. M. Flow Cytometry: An Overview. Curr. Protoc. Immunol. 120,.
7. Biomarkers for Immunotherapy of Cancer: Methods and Protocols. vol. 2055 (Springer New York, 2020).
8. Lin, J.-R., Fallahi-Sichani, M. & Sorger, P. K. Highly multiplexed imaging of single cells using a high-throughput cyclic immunofluorescence method. Nat. Commun. 6, 1-7 (2015).
9. Lin, J.-R. et al. Highly multiplexed immunofluorescence imaging of human tissues and tumors using t-CyCIF and conventional optical microscopes. Elife 7,.
10. Martorana, E. et al. Prostate MRI and transperineal TRUS/MRI fusion biopsy for prostate cancer detection: clinical practice updates. Turkish Journal of Urology 45, 237-244.
11. Drost, F. H. et al. Prostate MRI, with or without MRI-targeted biopsy, and systematic biopsy for detecting prostate cancer. Cochrane Database Syst. Rev. 2019, (2019).
12. Wagenlehner, F. M. E., Pilatz, A., Waliszewski, P., Weidner, W. & Johansen, T. E. B. Reducing infection rates after prostate biopsy. Nat. Rev. Urol. 11, 80-86.
13. Correlation between MRI phenotypes and a genomic classifier of prostate cancer: preliminary findings. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6684343/.
14. Dalela, D., Loppenberg, B., Sood, A., Sammon, J. & Abdollah, F. Contemporary Role of the Decipher® Test in Prostate Cancer Management: Current Practice and Future Perspectives. Rev. Urol. 18, 1-9 (2016).
15. Li, P. et al. Genes involved in prostate cancer progression determine MRI visibility. Theranostics 8, 1752-1765 (2018).
16. Salami, S. S. et al. Biologic Significance of Magnetic Resonance Imaging Invisibility in Localized Prostate Cancer. JCO Precision Oncology 1-12.
17. About Cancer. National Cancer Institute https://www.cancer.gov/about-cancer.
18. Alizadeh, M. & Alizadeh, S. Survey of clinical and pathological characteristics and
outcomes of patients with prostate cancer. Glob. J. Health Sci. 6, 49-57 (2014).
19. Histology of prostate cancer. http://oncolex.org/Prostate-cancer/Background/Histology.
20. Vilanova, J. C., Catala, V., Algaba, F. & Laucirica, O. Atlas of Multiparametric Prostate MRI: With PI-RADS Approach and Anatomic-MRI-Pathological Correlation. (Springer, 2017).
21. Thompson, I. M. et al. Prevalence of prostate cancer among men with a prostate-specific antigen level < or =4.0 ng per milliliter. N. Engl. J. Med. 350, 2239-2246 (2004).
22. Epstein, J. I. et al. The 2014 International Society of Urological Pathology (ISUP) Consensus Conference on Gleason Grading of Prostatic Carcinoma: Definition of Grading Patterns and Proposal for a New Grading System. Am. J. Surg. Pathol. 40, 244-252 (2016).
23. Федерации, М. З. Р. Клинические рекомендации ‘Рак предстательной железы ’. vol. 71 (2018).
24. Hu, M. & Polyak, K. Microenvironmental regulation of cancer development. Curr. Opin. Genet. Dev. 18, 27-34.
25. Baghban, R. et al. Tumor microenvironment complexity and therapeutic implications at a glance. Cell Commun. Signal. 18, (2020).
26. Elenbaas, B. & Weinberg, R. A. Heterotypic signaling between epithelial tumor cells and fibroblasts in carcinoma formation. Exp. Cell Res. 264, 169-184 (2001).
27. Joyce, J. A. & Pollard, J. W. Microenvironmental regulation of metastasis. Nat. Rev. Cancer 9, 239-252.
28. Maman, S. & Witz, I. P. A history of exploring cancer in context. Nat. Rev. Cancer 18, 359-376.
29. Dolberg, D. S. & Bissell, M. J. Inability of Rous sarcoma virus to cause sarcomas in the avian embryo. Nature 309, 552-556 (1984).
30. Wei, S. C., Duffy, C. R. & Allison, J. P. Fundamental Mechanisms of Immune Checkpoint Blockade Therapy. Cancer Discov. 8, 1069-1086 (2018).
31. Luo, Y. et al. Targeting tumor-associated macrophages as a novel strategy against breast cancer. J. Clin. Invest. 116, 2132-2141.
32. Lee, S.-J. Infection after transrectal ultrasound-guided prostate biopsy. Korean J. Urol. 56, 346-350.
33. Wu, Y.-P. et al. Risk factors for infectious complications following transrectal ultrasound- guided prostate biopsy. Infect. Drug Resist. 11, 1491-1497 (2018).
34. Johnson, D. C. et al. Detection of Individual Prostate Cancer Foci via Multiparametric Magnetic Resonance Imaging. Eur. Urol. 75, 712-720.
35. Chang, S. S. & Cookson, M. S. Prostate Cancer: Clinical Case Scenarios. (Springer, 2018).
36. Pessoa, R. R. et al. Value of 3-Tesla multiparametric magnetic resonance imaging and targeted biopsy for improved risk stratification in patients considered for active surveillance. BJU Int. 119, 535-542.
37. Patel, A. P. et al. Single-cell RNA-seq highlights intratumoral heterogeneity in primary glioblastoma. Science 344, 1396-1401 (2014).
38. Tirosh, I. etal. Dissecting the multicellular ecosystem of metastatic melanoma by single¬cell RNA-seq. Science 352, 189-196 (2016).
39. McCarthy, M. E. & Birtwistle, M. R. Highly Multiplexed, Quantitative Tissue Imaging at Cellular Resolution. Curr. Pathobiol. Rep. 7, 109-118 (2019).
40. Angelo, M. et al. Multiplexed ion beam imaging of human breast tumors. Nat. Med. 20, 436-442 (2014).
41. Keren, L. et al. A Structured Tumor-Immune Microenvironment in Triple Negative Breast Cancer Revealed by Multiplexed Ion Beam Imaging. Cell 174, 1373-1387.e19 (2018).
42. Goltsev, Y. et al. Deep Profiling of Mouse Splenic Architecture with CODEX Multiplexed Imaging. Cell 174, 968-981.e15 (2018).
43. Kamentsky, L. et al. Improved structure, function and compatibility for CellProfiler: modular high-throughput image analysis software. Bioinformatics 27, 1179-1180 (2011).
44. Carpenter, A. E. et al. CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome Biol. 7, R100 (2006).
45. Otsu, N. A Threshold Selection Method from Gray-Level Histograms. Plan. Perspect. 285, 296 (1975).
46. Kromp, F. et al. Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation.
47. Ronneberger, O., Fischer, P. & Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv [cs.CV] (2015).
48. Sra, S., Nowozin, S. & Wright, S. J. Optimization for Machine Learning. (MIT Press, 2012).
49. Van Gassen, S. et al. FlowSOM: Using self-organizing maps for visualization and interpretation of cytometry data. Cytometry A 87, 636-645 (2015).
50. Kohonen, T. The self-organizing map. Proc. IEEE 78, 1464-1480 (1990).
51. Worldwide cancer data. World Cancer Research Fund International https://www.wcrf.org/dietandcancer/cancer-trends/worldwide-cancer-data


Работу высылаем на протяжении 30 минут после оплаты.




© 2008-2022 Cервис помощи студентам в выполнении работ