Komórki tuczne w mikrośrodowisku raka wątrobowokomórkowego dają korzystne rokowanie: badanie retrospektywne przy użyciu oprogramowania do analizy obrazu QuPath
12 kwietnia 2024
Obecność komórek tucznych na wewnętrznym brzegu i obszarach okołonowotworowych raka wątrobowokomórkowego po resekcji daje korzystne rokowanie. Badanie to potwierdza oprogramowanie do analizy obrazu QuPath jako obiecującą platformę, która może zaspokoić potrzebę odtwarzalności, spójności i dokładności w patologii cyfrowej.
Koncentrujemy się na ocenie rozmieszczenia komórek odpornościowych w mikrośrodowisku guza. Po pierwsze, pomagamy w infiltracji komórek odpornościowych w próbce guza i przylegającej wokół tkanki nowotworowej, a następnie określamy ich wpływ prognostyczny w raku wątrobowokomórkowym. Pierwszym wyzwaniem jest złożoność struktur nowotworowych, co sprawia, że oddzielenie tkanki nowotworowej od nienowotworowej jest trudne.
Ponadto ręczne badania w celu ilościowego oznaczania komórek są czasochłonne. Również barwienie niespecyficzne jest problemem dziedzicznym dla wszystkich metod immunohistochemicznych. Większość rokowań przekazywanych przez komórki główne w zakopanym obszarze guza i wewnętrznym marginesie jest wykorzystywana do pierwszych badań nad komórkami głównymi w raku wątrobowokomórkowym i innych nowotworach.
Taka analiza przyniosłaby korzyści z zastosowania oprogramowania do analizy obrazu w celu dokładnej adnotacji obszaru zainteresowania i prawidłowej kwantyfikacji komórek odpornościowych. Na początek zdobądź obrazy wybarwionych immunologicznie skrawków HCC. Pobierz i otwórz program QuPath 0.4.3.
exe na komputerze. Utwórz nowy folder o odpowiedniej nazwie do organizowania projektów QuPath. Kliknij przycisk tworzenia projektu w lewym górnym rogu oprogramowania i wybierz nowo utworzony folder.
Następnie przeciągnij zeskanowane obrazy do okna oprogramowania QuPath. Gdy pojawi się nowe okno, wybierz ustaw typ obrazu i kliknij H-DAB, a następnie importuj. Aby wyświetlić zaimportowane obrazy, sprawdź listę w lewym oknie menu i kliknij dwukrotnie obraz, aby go otworzyć.
Wybierz plik z menu głównego i kontynuuj zapisywanie obrazów jako projektu. Wybierz narzędzia pędzla lub różdżki w menu głównym, aby dodać adnotację do obszaru guza. W przypadku nieciągłych regionów guza należy opisać każdy region osobno.
Naciśnij i przytrzymaj Control podczas wybierania wszystkich regionów. Następnie kliknij prawym przyciskiem myszy i wybierz edytuj wiele i wybierz scal wybrane. Następnie kliknij automatyczną w menu głównym i wybierz pokaż edytor skryptów.
Skopiuj wymagany skrypt, wklej go do edytora skryptów, a następnie kliknij przycisk Uruchom. Alternatywnie wybierz narzędzie Polilinia z menu głównego, aby dokładnie narysować granicę oddzielającą gniazda komórek złośliwych i przylegającą tkankę nienowotworową. Następnie wybierz obramowanie z menu głównego.
Wybierz obiekty, kliknij adnotację i wybierz, rozwiń adnotacje. Ustaw promień rozprężania na 500 mikrometrów i wybierz płaski jako nasadkę linii. Aktywuj usuń wnętrze i upewnij się, że aktywowany jest ograniczony do rodzica.
Teraz kliknij prawym przyciskiem myszy nowo utworzoną adnotację. Wybierz opcję edytuj pojedynczy i wybierz opcję podziału. Aby poprawnie nazwać regiony z adnotacjami, kliknij prawym przyciskiem myszy adnotację na liście po lewej stronie, wybierz ustaw właściwości i wprowadź odpowiednie nazwy regionów marginesów wewnętrznych i zewnętrznych.
Zdefiniuj pozostały obszar guza jako centrum guza. Rozciągnij obszar okołonowotworowy o szerokości 500 mikrometrów przylegający do zewnętrznego brzegu, jak pokazano wcześniej. Aby uzyskać szczegółową analizę pikseli, wybierz narzędzie prostokąt z menu głównego.
Następnie opisz region obejmujący wszystkie typy pikseli, które mają zostać rozróżnione. Następnie przejdź do menu głównego. Wybierz opcję Analizuj i kliknij przycisk Przetwarzanie wstępne.
Następnie kliknij oszacuj wektor plamy. Po aktywowaniu wizualnego edytora plam wybierz auto i kliknij OK. Nazwij szacowany wektor plamy H-DAB.
W przypadku analizy pikseli alternatywna metoda polega na użyciu narzędzia prostokąt z menu głównego w celu podświetlenia niewielkiej części jądra wybarwionego hematoksyliną. Następnie uzyskaj dostęp do menu po lewej stronie i wybierz obraz. Następnie kliknij dwukrotnie plamę i wybierz tak.
Ponownie użyj narzędzia prostokąta, aby dodać adnotację do małego obszaru wykazującego pozytywne barwienie za pomocą DAB. Następnie wybierz obraz z menu po lewej stronie i kliknij dwukrotnie plamę drugą, a następnie tak. Aby ocenić ułamek obszarowy dodatnich komórek odpornościowych z menu głównego, kliknij opcję klasyfikacji, wybierz klasyfikację pikseli i kliknij utwórz próg.
Następnie ustaw rozdzielczość na wysoką, wybierz kanał DAB i zastosuj wstępny filtr Gaussa o Sigma 0,5. Dostosuj próg w zakresie od 0,2 do 0,3. Zdefiniuj piksele powyżej progu jako dodatnie, a poniżej progu jako ujemne.
Aby wybrać region, wybierz dowolną adnotację, nadaj klasyfikatorowi nazwę, a następnie kliknij Zapisz, Zmierz i OK. Aby udokumentować wyniki, skopiuj wyniki wyświetlane w menu po lewej stronie i przenieś je do arkusza kalkulacyjnego. Wybierz pomiar z górnego menu głównego jako alternatywną metodę.
Następnie wybierz, pokaż pomiary adnotacji. Wybierz opcję kopiuj do schowka i wklej te wyniki do arkusza kalkulacyjnego, aby uzyskać szczegółowy rekord. Na koniec kliknij obraz prawym przyciskiem myszy, przejdź do widoku wielu i kliknij zamknij przeglądarkę, aby zamknąć obraz.
Białko CD117 obserwowano głównie w błonach cytoplazmatycznych zaokrąglonych komórek w zrębie guza i przestrzeniach okołonaczyniowych. Komórki CD117-dodatnie obserwowano również w torebkach guza i obszarach okołonaczyniowych na zewnętrznym brzegu i okołoguzie. Białko NKp46 obserwowano głównie w błonach cytoplazmatycznych zaokrąglonych komórek w przestrzeniach sinusoidalnych, zrębie centrum guza i wewnętrznym brzegu.
Komórki NKp46-dodatnie obserwowano w torebkach wokół gniazd nowotworowych i zrębu dróg wrotnych na zewnętrznym brzegu i obszarach okołonowotworowych. Białko CD1a obserwowano głównie w błonach cytoplazmatycznych zaokrąglonych komórek, rozproszonych lub w agregatach w zrębach i przestrzeniach przypominających sinusoidy w centrum guza i obszarach wewnętrznego marginesu. Komórki CD1a dodatnie znaleziono w sinusoidach i nabłonku dróg żółciowych w okolicy okołoguzowej.
Przegląd
Niniejsze badanie ocenia rozkład komórek odpornościowych w raku hepatokomórkowym (HCC) oraz ich znaczenie prognostyczne. Podkreślono w nim zastosowanie oprogramowania do analizy obrazów QuPath w celu dokładnej kwantyfikacji komórek odpornościowych w guzie i tkankach przyległych.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Patologia cyfrowa
- Immunologia
Wprowadzenie
- Komórki tuczne w HCC wiążą się z korzystnym rokowaniem.
- Złożone struktury nowotworowe utrudniają oddzielenie tkanek guza od tkanek niezielizowanych.
- Ręczna kwantyfikacja komórek jest czasochłonna i podatna na błędy.
- Oprogramowanie do analizy obrazu może zwiększyć dokładność kwantyfikacji komórek.
Cel badania
- Ocena nacieku komórek odpornościowych w preparatach HCC.
- Określenie wpływu komórek odpornościowych w mikrośrodowisku guza na rokowanie.
- Wykorzystanie programu QuPath w celu usprawnionej analizy obszarów nowotworowych.
Zastosowane metody
- Pozyskanie obrazów immunobarwionej tkanki HCC.
- Adnotacja obszarów guzowych i pozaguzowych przy użyciu programu QuPath.
- Analiza pikseli w celu ilościowego oznaczenia obecności komórek odpornościowych.
- Dokumentacja wyników w arkuszach kalkulacyjnych.
Główne wyniki
- Komórki tuczne lokalizowały się głównie w obrębie wewnętrznego brzegu oraz obszarów okołoguzowych.
- Białka CD117, NKp46 i CD1a zaobserwowano w różnych regionach guza.
- Analiza obrazu umożliwiła dokładną kwantyfikację komórek odpornościowych.
- Wyniki potwierdzają wartość prognostyczną komórek tucznych w HCC.
Wnioski
- Oprogramowanie QuPath zwiększa powtarzalność i dokładność w patologii cyfrowej.
- Rozkład komórek odpornościowych koreluje z rokowaniem w HCC.
- Konieczne są dalsze badania w celu zgłębienia roli komórek tucznych w nowotworach.
Często zadawane pytania
Znaczenie dla przemysłu
Ilościowa patologia cyfrowa z wykorzystaniem programu QuPath umożliwia precyzyjne profilowanie komórek odpornościowych w raku hepatokomórkowym (HCC), rozwiązując problemy związane z adnotacją i powtarzalnością analizy mikrośrodowiska guza. Zautomatyzowany pomiar ułamka powierzchni komórek tucznych, komórek dendrytycznych i komórek NK wspiera rzetelną ocenę prognostyczną, dostarczając informacji dla wczesnego etapu odkryć i decyzji w badaniach translacyjnych. Ten schemat pracy zwiększa pewność predykcyjną dla biomarkerów związanych z odpornością i wspiera rozwój portfela projektów w badaniach i rozwoju onkologicznym z uwzględnieniem analizy ryzyka.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia ilościowe określanie nacieku komórek odpornościowych z rozdzielczością przestrzenną w celu walidacji celów terapeutycznych w oparciu o postawione hipotezy.
- Wspiera ograniczanie ryzyka mechanistycznego poprzez wyjaśnienie roli komórek odpornościowych w progresji i rokowaniu nowotworu.
- Ułatwia identyfikację biomarkerów immunologicznych o wartości prognostycznej dla wyników leczenia pacjentów.
Przesiewy i opracowywanie testów
- Zapewnia standaryzowaną adnotację i kwantyfikację komórek odpornościowych w obszarach guza na potrzeby opracowywania testów.
- Dostarcza powtarzalne, ilościowe wyniki odpowiednie do późniejszych badań przesiewowych i studiów porównawczych.
- Umożliwia skalowalne procesy cyfrowej patologii w celu wysokoprzepustowej analizy komórek odpornościowych.
Badania translacyjne i przedkliniczne
- Umożliwia powiązanie ilościowego oznaczenia komórek odpornościowych z istotnymi klinicznie punktami końcowymi, takimi jak przeżycie wolne od choroby oraz przeżycie całkowite.
- Zapewnia ciągłość procesu od etapu odkryć do walidacji przedklinicznej poprzez powiązanie obecności komórek odpornościowych z ich znaczeniem prognostycznym.
- Stanowi podstawę dla strategii translacyjnych w zakresie biomarkerów w portfolio immunoonkologicznych.
Integracja potoków i przepływów pracy
Ten cyfrowy przepływ pracy w patologii integruje etapy od wczesnego odkrywania po badania translacyjne, wspierając walidację biomarkerów komórek odpornościowych oraz badania mechanistyczne w HCC i powiązanych modelach onkologicznych.
- Biologia odkryć: Umożliwia rygorystyczną weryfikację hipotezy zerowej w zakresie wpływu komórek odpornościowych na rokowanie nowotworu.
- Przesiewanie: Standaryzuje kwantyfikację komórek odpornościowych w celu zapewnienia gotowości i powtarzalności testów.
- Analityka: Dostarcza ilościowe wyniki ułamka powierzchni do porównań statystycznych pomiędzy regionami nowotworu.
- Badania translacyjne: Łączy infiltrację komórek odpornościowych z wynikami klinicznymi, wspierając dopasowanie biomarkerów.
- Ponowne wykorzystanie w przedsiębiorstwie: Tworzy możliwość ponownego wykorzystania cyfrowej patologii do profilowania odpornościowego w różnorodnych modelach nowotworowych.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną w odkrywaniu biomarkerów immunologicznych i walidacji celów terapeutycznych.
- Wartość operacyjna: Zapewnia zestandaryzowane, reprodukowalne i skalowalne cyfrowe przepływy pracy w patologii.
- Wartość strategiczna: Poprawia podejmowanie decyzji go/no-go i redukuje ryzyko biologiczne na późnych etapach w portfolio onkologicznym.
- Wpływ na portfolio: Umożliwia priorytetyzację aktywów immunoonkologicznych z uwzględnieniem ryzyka, w oparciu o solidne dane prognostyczne.
Kwestie implementacyjne
- Wymagana jest wiedza specjalistyczna w zakresie patologii cyfrowej oraz interpretacji immunohistochemicznej.
- Niezbędny jest dostęp do skanerów preparatów o wysokiej rozdzielczości oraz infrastruktury oprogramowania QuPath.
- Wymagana jest standaryzacja protokołów adnotacji i kwantyfikacji pomiędzy zespołami.
- Możliżna jest potrzeba adaptacji metody dla różnych typów nowotworów lub markerów komórek odpornościowych.
- Dokładność zależy od jakości barwienia i akwizycji obrazu, zgodnie z danymi źródłowymi.
