方法文章

转移中肿瘤微环境的临床前模型和成像模式

DOI:

10.3791/64933

2023年3月17日

本文内容

社论

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

该系列描绘了超越传统癌症研究实验方法的系统,用于研究肿瘤微环境,肿瘤微环境是肿瘤生长和转移的基本要素。此类系统是三维的,涉及高深度和高分辨率成像(通常随着时间的推移,因此需要复杂的成像分析工具),并使用患者来源的组织和/或采用合成或脱细胞支架。

对于临床需求未得到满足的疾病,如胰腺癌、结直肠癌和脑癌,其中小鼠同基因或异种移植模型的翻译性较低,生物样本库的建立和扩展至关重要。Bürtin 等人 1 为他们如何实现这一目标提供了指南,包括将供体材料扩展到患者来源的异种移植物 (PDX) 中,从而建立一个活体生物库,密切概括患者的组织学和病程。通过不断的方案优化以及与外科工作人员的密切合作和沟通,作者报告了结直肠 PDX 的生长率为 63%,胰腺 PDX 的生长率为 48%。这一进展不足以为急需治疗方案的个体患者的测试治疗代理,这仅仅是因为建立模型需要很长时间。尽管如此,它对于更好地了解肿瘤生物学并帮助具有相似肿瘤特征的未来患者很有用。此外,Tew 等人 2 描述了中枢神经系统 (CNS) 转移性 PDX 的建立和使用,强调了组织接种途径对于成功生长和研究目的的重要性。

与 PDX 模型不同,患者来源的肿瘤切片 离体 培养提供了一种可能更快、更经济的系统,具有天然基质和结构(多细胞和异型),可用于测试药物反应。Braun等人3 介绍了他们用于胰腺原发性肿瘤和转移灶的器官型切片培养物(OTSC)。他们传达了异种移植物建立和监测的方法,包括:制造支持 离体 切片实时成像的设备;肿瘤切片采集;切片培养和 离体 生长;以及成像和图像分析。在另一个例子中,Ciraku等人4 提供了一种综合方法,通过使用 离体 脑转移肿瘤切片来研究脑转移及其治疗。

肿瘤邻近组织和细胞外基质也是充分了解转移的关键。Jelinek 等人 5 提供了一种 PDX 来研究癌症相关成纤维细胞对肿瘤生长的影响,使用患者来源的真皮成纤维细胞与人类黑色素瘤细胞系共同注射。Mayorca-Guiliani等人6描述了一种使小鼠心脏和肺脱细胞并产生完整支架的方法,该支架可用于接种细胞,更重要的是,了解这些器官的位置/拓扑结构和细胞外基质(ECM)组成。肺部是多种肿瘤类型中特别常见的转移部位。该方法也可用于生成其他ECM支架。胶原蛋白是ECM的主要成分之一,纤维状胶原蛋白的拓扑变化与疾病进展有关。Liu等人7提供了一种开源图像分析工具,用于从高维、高分辨率共聚焦断层扫描图像中量化原纤维胶原蛋白组织。ECM 的部分相关性在于它对压力等外部因素的适应性。ECM 采用不同的生物物理特性来应对这些可能影响肿瘤生长的外部因素。Calitz等人8使用胶原蛋白和纤维蛋白原凝胶引入了一种肝癌仿生模型,该模型模拟其在3D环境中的ECM可调性。作者创建了实验条件,概括了纤维化和肝硬化肝脏以及肝细胞癌 (HCC) 的生物物理特性,以研究 HCC 中的肿瘤-基质相互作用。与 2D 培养物相比,创建的仿生模型(涵盖广泛的刚度)表现出更具代表性的处理反应。

其他模拟转移的异型方法包括类器官培养、器官芯片和/或微流控共培养系统,它们正在演变为复杂的系统,以适应具有非常不同培养条件需求的免疫细胞和癌细胞的共培养。Chakrabarti等人9 提出了一种类器官系统,该系统包括T细胞和髓系细胞,以及类器官/免疫细胞共培养中的人源性自体胃癌细胞,可作为预测靶向治疗疗效的临床前模型。De Ninno等人10 描述了使用与动态和多参数测量兼容的微流控共培养系统的类似概念。Oliver等人描述了癌细胞的制造,播种,成像和分析以及新型3D微流体血脑生态位(μmBBN)的组织微环境(TME)11。作者展示了使用人工智能来识别能够超越血脑屏障的癌细胞的表型差异,并为这些细胞分配客观的脑转移潜力。这可用于回答有关转移、治疗效果以及 TME 在两者中的作用的基本和转化问题。

总的来说,为本合集做出贡献的作者为 TME 和转移领域提供了一系列创新的、即用型的方法来回答 2D 单型 体外 培养无法解决的关键问题。最终,这些方法的广泛实施将提高我们对肿瘤生态系统的理解,从而有助于开发针对转移性疾病的 TME 靶向疗法,这种情况仍然是一个治疗挑战,并且对患者的生存和生活质量有重大影响。

致谢

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

编辑要感谢所有投稿作者的出色投稿。

参考文献

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bürtin, F., et al. Creation and maintenance of a living biobank - how we do it. Journal of Visualized Experiments. (170), e62065(2021).
  2. Tew, B. Y., Salhia, B. The establishment and utilization of patient derived xenograft models of central nervous system metastasis. Journal of Visualized Experiments. (171), e62264(2021).
  3. Braun, R., et al. Organotypic slice cultures as preclinical models of tumor microenvironment in primary pancreatic cancer and metastasis. Journal of Visualized Experiments. (172), e62541(2021).
  4. Ciraku, L., et al. An ex vivo brain slice model to study and target breast cancer brain metastatic tumor growth. Journal of Visualized Experiments. (175), e62617(2021).
  5. Jelinek, D., et al. A mouse model to investigate the role of cancer-associated fibroblasts in tumor growth. Journal of Visualized Experiments. (166), e61883(2020).
  6. Mayorca-Guiliani, A. E., et al. Decellularization of the murine cardiopulmonary complex. Journal of Visualized Experiments. (171), e61854(2021).
  7. Liu, Y., Eliceiri, K. W. Quantifying fibrillar collagen organization with curvelet transform-based tools. Journal of Visualized Experiments. (165), e61931(2020).
  8. Calitz, C., et al. A biomimetic model for liver cancer to study tumor-stroma interactions in a 3D environment with tunable bio-physical properties. Journal of Visualized Experiments. (162), e61606(2020).
  9. Chakrabarti, J., Koh, V., So, J. B. Y., Yong, W. P., Zavros, Y. A preclinical human-derived autologous gastric cancer organoid/immune cell co-culture model to predict the efficacy of targeted therapies. Journal of Visualized Experiments. (173), e61443(2021).
  10. De Ninno, A., et al. Microfluidic co-culture models for dissecting the immune response in in vitro tumor microenvironments. Journal of Visualized Experiments. (170), e61895(2021).
  11. Oliver, C. R., Westerhof, T. M., Castro, M. G., Merajver, S. D. Quantifying the brain metastatic tumor micro-environment using an organ-on-a chip 3D model, machine learning, and confocal tomography. Journal of Visualized Experiments. (162), e61654(2020).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

Cancer ResearchCancer BiologyExperimental ModelsImaging TechniquesMetastatic Disease

相关文章