癌细胞的形状是否暗示着它的危险?

医生有时可以利用癌细胞的基因来预测它将如何行动——它有多危险，因此应该使用什么治疗方法来对付它。现在一篇论文发表在杂志上综合生物学癌细胞的形状可能提供类似的线索。最终，来自科罗拉多州立大学的研究人员希望他们对细胞形状的测量可以与基因组数据相结合，以提供更精确的预后，并指导治疗患者疾病的策略。

“这只是冰山一角——一项调查正在成型的开始——这来自于一个众所周知的事实，即致癌的过程会导致调控不当细胞骨架．换句话说，癌症的形成改变了细胞的形状，”科罗拉多州立大学化学与生物工程系助理教授Ashok Prasad博士说。

他指出，当病理学家检查肿瘤样本时，他或她可能会看到细胞生长、细胞核或染色体的物理异常。然而，普拉萨德说:“我们的假设是，在癌症发生的早期，在统计水平上有一些微妙的形状变化，计算机可以捕捉到。”

为了确定这些变化可能是什么，普拉萨德和他的同事，包括第一作者，普拉萨德实验室的博士候选人Elaheh Alizadeh，首先必须量化细胞形状．该小组没有试图将细胞分类为“有点椭圆形”或“有点球形”，而是使用所谓的泽尼克矩来精确捕捉细胞的尺寸。基本上，泽尼克时刻(Zernike moment)是以1953年诺贝尔物理学奖得主、物理学家弗里茨·泽尼克(Frits Zernike)的名字命名的，是一种将形状表示为数据的方法。这需要选择有限数量的测量值(研究人员选择了256)，这就成为了一种数字细胞形状的特征。研究人员还发现了一种方法，可以将细胞系之间泽尼克矩的差异表示为向量。问题是，描述泽尼克矩差异的向量是否有助于识别哪些细胞系可能是最具侵袭性的。

“机器学习是一种工具，你必须给出一些例子——你必须说‘这些是橘子，这些是苹果’，然后神经网络就可以学习如何区分它们。然后你给系统一个苹果，看看它是否能正确地告诉你这是哪一个，”Alizadeh说。

在本例中，“苹果”和“橘子”分别是侵袭性较强和较弱的骨肉瘤细胞系。

Alizadeh说:“我们使用的四种细胞系，模型可以很准确地预测它们。”Alizadeh拥有物理学本科学位和等离子体工程硕士学位(都是在伊朗德黑兰学习时获得的)，现在在化学工程(包括机器学习)领域获得博士学位，Alizadeh的背景允许对这条研究线有一个独特的视角，它利用了这三者，将泽尼克时刻的物理学与数据挖掘的挑战与从人类细胞系收集数据的现实相结合。

在证明了他们的模型的前景之后，问题是当团队的机器学习遇到假设的第五个细胞系时会发生什么，就像被要求评估一个新的患者样本一样。Alizadeh说:“我们发现，如果我们首先允许我们的神经网络评估新细胞——根据这些新细胞的特征重新校准其分类——它确实很好地预测了类别。”

然而，普拉萨德和阿里扎德指出，重大问题仍然存在。例如，一个细胞如何准备成像会影响它的形状——“当你观察这些细胞时，你把它们放在什么地方可能会影响你看到的东西，”普拉萨德说。同样，有无数种方法可以量化细胞的形状，泽尼克矩只是其中一种可能。未来的研究将探索获取细胞尺寸数据的其他方法。

尽管如此，普拉萨德说:“如果我们可以说这组形状变化代表了这些基因变化——如果我们能做到这一点，我认为这将是惊人的。”“这将让我们增加形状，成为通过活检确定癌症预后的又一个变量。”