国产一级a毛一级a看免费视频,久久久久久国产一级AV片,免费一级做a爰片久久毛片潮,国产精品女人精品久久久天天,99久久久无码国产精品免费了

維科托(北京)科技有限公司
中級會員 | 第7年

13660308591

治療學|定量質譜成像方法評估抗癌藥物腫瘤靶向效率和瘤內分布異質性

時間:2021/3/18閱讀:2357
分享:

轉自公眾號

Theranostics|定量質譜成像方法評估抗癌藥物腫瘤靶向效率和瘤內分布異質性

再帕爾•阿不力孜科研團隊 第43期
中國醫學科學院藥物研究所
天然藥物活性物質與功能國家重點實驗室
文獻整理:金波  指導教師:賀玖明

   本課題組在《Theranostics》上發表了一篇題為“Evaluation of the tumor-targeting efficiency and intratumor heterogeneity of anticancer drugs using quantitative mass spectrometry imaging”的研究論文,采用空氣動力輔助解吸電噴霧離子化(AFADESI)技術和基于人工神經網絡(ANN)的虛擬校正-定量質譜成像(VC-QMSI)方法,建立了針對紫杉醇及其衍生物前藥的體內定量成像方法,為評估該類藥物的腫瘤靶向效率和瘤內異質性分布提供了直觀有效的途徑,也為靶向抗腫瘤新藥研發提供了有力的研究工具。

背景介紹

 
 
 
 

    可區分正常組織和腫瘤組織的靶向抗腫瘤藥物開發是癌癥治療研究中的關鍵問題。在新藥研發的早期,如何快速評估抗癌藥物的腫瘤靶向性非常重要,且了解藥物在腫瘤內的異質性分布更具挑戰。開發一種高精度、高靈敏度的定量成像分析方法有望解決這一難題。質譜成像是一種無需標記的分子成像技術,它可提供有關生物體內藥物和代謝物分布的時空信息,其在藥物開發領域的應用正在迅速增加。紫杉醇具有很強的抗腫瘤活性,但直接用藥常伴隨有骨髓抑制、神經毒性等嚴重不良反應;近年來臨床致力于對紫杉醇進行結構優化、劑型改造或前體藥物開發,以提高藥物的腫瘤靶向能力,減少副作用。本研究建立了紫杉醇及其衍生物前藥的體內定量成像方法,評估了該類藥物的腫瘤靶向效率和瘤內異質性分布。

實驗設計

 
 
 
 
 

   通過構建含已知濃度藥物的模擬生物組織,建立了定量質譜成像標準曲線;采用空氣動力輔助解吸電噴霧離子化質譜成像(AFADESI-MSI)技術,同時采集藥物、藥物代謝物和內源性代謝物信息;以內源性代謝物為內標,結合ANN方法,構建了生物組織中質譜響應基體效應自動預測與校正的回歸模型,對動物切片的單位像素進行逐一定量,從而建立了整體動物體內藥物質譜成像分析方法。將該方法用于評估靜脈注射紫杉醇(PTX)、紫杉醇脂質體(PTX-liposome)和紫杉醇前藥(PTX-R)在A549細胞異種移植裸鼠中的靶向效率和瘤內的分布異質性。

實驗結果

 
 
 
 
1 基于人工神經網絡的虛擬校正-定量質譜成像策略
    該策略的步驟如下:采用含有相同藥量的不同類型的模擬組織,篩選出與藥物響應強度變化緊密相關的內源性代謝物,并建立藥物的相對響應強度(相對校正因子RCF)與內源性代謝物離子強度之間的ANN模型(圖1A)。根據該模型自動預測整體動物切片中每個像素的RCF值(RCFpredicted),并根據公式
Intensitycal = Intensity /RCFpredicted
獲得校正后的藥物響應強度(Intensitycal)。將校正響應值用于構建標準曲線,其線性相關系數從未校正的0.45增至校正后的0.99(圖1C)。使用校正后的標準曲線確定整體動物體內的藥物相對含量。此外,該方法利用豐富的內源性代謝物質譜信息,通過機器學習可自動識別動物體內的生理分區(圖1D);它可替代需在光學或H&E染色指導下的人工分區方法。綜上,VC-QMSI可用于復雜的整體動物樣本中藥物的空間分辨定量分析(圖1E)。    

圖1 VC-QMSI策略在整體動物組織中準確定位抗腫瘤藥物的過程示意圖 (A)基于內源性代謝物的機器學習方法預測相對校正因子的示意圖 (B)不同器官的相對校正因子成像以及相對校正因子預測值和實測值的比較;縮寫:H心臟,Li肝臟,Sp脾,Lu肺,K腎,Br大腦,M肌肉,Tu腫瘤 (C)以藥物含量-未校正的藥物響應強度構成的標準曲線和以藥物含量-校正后的藥物響應強度構成的虛擬校正標準曲線對比 (D)通過使用K均值和t-SNE聚類分析進行自動像素標記的整體動物分割圖像 (E)整體動物體內藥物定量的可視化結果以及光學圖像

 

2 噴霧溶劑選擇

    考察了多種有機溶劑/水組合以及揮發性鹽對藥物響應值的影響,終優選出乙腈:水(5:5)作為更佳噴霧溶劑。它能對藥物及內源性代謝物進行有效的解吸、提取以及離子化,達到靈敏準確的定量結果。

 
3 PTX在整體動物中的時空分布
    PTX組和PTX-liposome組:PTX在動物體內呈廣泛分布,在心、肝、脾、肺、腎、肌肉、腸、胃和腫瘤組織中均有分布;在健康組織中的含量遠高于PTX-R組;給藥后期可觀察到PTX在胃腸道中大量積累,而在腎組織中幾乎不見,提示PTX可能主要通過膽汁-糞便途徑排泄。PTX-R組:與前兩組的廣泛分布不同,PTX-R主要分布于腫瘤組織,其次是肺和腸。三組小鼠腦中均沒有明顯的藥物分布。就24h內的腫瘤組織藥物暴露量而言,PTX-R組與PTX-liposome組相當,是PTX組的2倍;以PTX組為參比,PTX-R組的相對靶向效率(RTE)是PTX-liposome組的近50倍。以上證明PTX-R有良好的腫瘤靶向能力。

圖2 三個給藥組在不同時間點的AFADESI-MSI可視圖(A)PTX在整體動物體內的時空和定量分布(B)PTX在腫瘤組織中的時空和定量分布

 

4 PTX-R的瘤內異質分布

    腫瘤根據形態學的異質性可分為不同的微區(圖3A,3B)。基于代謝物特征采用t-SNE和k-means等手段得到的腫瘤微區自動識別的結果(圖3C)與H&E染色結果(圖3A)高度一致。PTX-R在腫瘤壞死區域和膠原蛋白區域的含量明顯高于腫瘤薄壁組織區域(圖3D,3E, 3F),表明PTX-R具有出色的腫瘤穿透能力。對比腫瘤的薄壁組織和間質區域,PTX-R更多地積累于腫瘤中未明顯分化的區域,比如腫瘤的膠原蛋白區域和脂肪組織。這種藥物在腫瘤微區分布的異質性值得進一步研究,它對于認識腫瘤的生長、侵襲、對藥物的敏感性以及預后均有重要作用。

圖3 PTX-R在瘤內的異質分布(A)腫瘤組織的H&E染色圖像(B)放大倍數(×20)的代表性腫瘤微區(C)基于代謝物譜的腫瘤微區的t-SNE空間分布(D)PTX-R在腫瘤微區中的分布(E)藥物離子成像和H&E染色成像之間的耦合匹配疊加圖(F)腫瘤微區中PTX-R的定量分布

總結

 
 
 

    采用無需標記的AFADESI和VC-QMSI技術成功建立了針對紫杉醇及其前藥的定量質譜成像方法,評估了該類抗腫瘤藥物的腫瘤靶向效率和瘤內分布異質性,并提供了直觀的實驗證據表明設計的紫杉醇前藥具備優異的腫瘤蓄積能力和低全身毒性。進一步證明AFADESI-MSI技術具有高靈敏和寬覆蓋的特點,可在整體動物的體內微區同時可視化各種類型的藥物、代謝物和內源性代謝物。VC-QMSI方法將內源性代謝物作為內標,建立ANN模型;根據模型預測每個像素的RCF值,并校正藥物離子強度,從而實現藥物在整體動物和亞器官組織中的定量可視化。紫杉醇前藥及其代謝物的體內定量分布研究有助于從藥物的保留、消除、靶向和釋放四個角度設計有效的腫瘤靶向藥物。所建方法有助于預測與藥物分布相關的藥效和安全性,在抗腫瘤藥物研發早期進行直接快速的藥效篩查,減少損耗、降低成本。此外,本研究對闡明藥物的功效、毒性和耐藥性提供了一個深入的視角,有助于抗腫瘤藥物的設計和優化。

原文文獻

 
 
 
 

Jin Zhang, et al. (2020). “Evaluation of the tumor-targeting efficiency and intratumor heterogeneity of anticancer drugs using quantitative mass spectrometry imaging.” Theranostics 10(6): 2621-2630. 

縮略語

 
 
 
AFADESI:Airflow-Assisted Desorption Electrospray Ionization,空氣動力輔助解吸電噴霧離子化;ANN:Artificial Neural Network,人工神經網絡;VC-QMSI:Virtual Calibration Quantitative Mass Spectrometry Imaging,虛擬校正-定量質譜成像;AFADESI-MSI:Airflow-Assisted Desorption Electrospray Ionization Mass Spectrometry Imaging,空氣動力輔助解吸電噴霧離子化質譜成像技術;PTX:Paclitaxel,紫杉醇;PTX-liposome,紫杉醇脂質體;PTX-R:Paclitaxel Prodrug,紫杉醇前藥;RCF: Relative Calibration Factors,相對校正因子;H&E:Hematoxylin & Eosin,蘇木精-伊紅;RTE:Relative Targeting Efficiency,相對靶向效率;t-SNE:t-distributed Stochastic Neighbour Embedding,t分布隨機鄰域嵌入;k-means:k-means Clustering Algorithm,k均值聚類算法

會員登錄

×

請輸入賬號

請輸入密碼

=

請輸驗證碼

收藏該商鋪

X
該信息已收藏!
標簽:
保存成功

(空格分隔,最多3個,單個標簽最多10個字符)

常用:

提示

X
您的留言已提交成功!我們將在第一時間回復您~
撥打電話
在線留言
主站蜘蛛池模板: 新郑市| 凤台县| 长白| 乐平市| 库车县| 古蔺县| 仪陇县| 阳东县| 福清市| 玉溪市| 灵武市| 石家庄市| 台州市| 茂名市| 七台河市| 德兴市| 宣城市| 马边| 中牟县| 鄂托克旗| 新平| 库车县| 阳东县| 新和县| 封丘县| 杂多县| 阆中市| 云林县| 丽江市| 巢湖市| 山阴县| 武穴市| 黑河市| 双城市| 昌图县| 霸州市| 乌苏市| 凤凰县| 政和县| 巴林左旗| 河源市|