Single-cell spatial landscapes of the lung tumour immune microenvironment | Nature
2023, Nature
Philippe Joubert & Logan A. Walsh Groups
Abstract
대부분의 임상 전략은 조직병리학적 계층화에 의존
하지만 이러한 계층화된 하위 유형 내 단일 세포 표현 유형의 공간적 맥락 파악은 아직 어려운 상태
이 논문에서 5가지 조직학적 패턴에 걸쳐 lung adenocarcinoma 416명 샘플의 종양과 면역학적 지형을 특성화하기 위해 영상 질량 세포 측정법 ( imaging mass cytometry )을 적용함
160만개의 cell 을 검사하여 생존을 포함한 특징화되는 임상적 correlate 들과 더불어 면역 lineage와 activate state 에 대한 공간적 분석을 진행함
딥러닝으로 1mm2 종양 코어 하나를 사용하여 수술 후 진행될 환자를 높은 정확도로 예측
연구에서 사용된 workflow 와 암 미세환경 시각화 결과.
Metal-conjugated antibody 를 이용해 뿌린 후 레이저 어블레이션 을 이용하여 생성된 빛을 이용해서 image 생성
그 image 를 이용하여 single cell phenotyping 후 cell type 별로 survival analysis 후 여러 clinical information ( Smoking status, Age, BMI, Histology, Progression ) 을 ML 로 예측함
Image mass ctyometry 에서 얻어진 이미지들의 채널들은 각각 Resnet50 을 이용해 임베딩됨.
그 후 Concat 되어 dimension reduction 으로 들어감.
PCA ( 대부분 # PC = 9 를 사용했다고 함 ) 를 거쳐 나온 데이터는 SVM 의 input 으로.
Class inbalance 에 해당하는 경우oversampling 을 통해서 해결했다고 함.
b,c,d 는 성능에 관한 내용으로 임상정보와 cell 의 정보를 활용했을 때 예측결과가 어떻게 개선되는가를 보여줌
처음으로 image 안의 cell 이 어느 것이 얼마나 분포하고있는지 ( cell frequency ) 만을 사용하여 예측했을 땐 결과가 그렇게 좋진 않았음 ( 이것이 baseline )
그 후 c,d 에서 이어지는 것은 raw 이미지 자체를 모델에 같이 집어넣는 것과, 그 중에서도 lineage marker 만을 표시하는 것, 모든 마커를 표시하는 것 에서 모든 마커를 표시한 경우를 사용했을 때 성능이 가장 좋았다고 함.
논문의 핵심은 histology image 를 이용해서 cell segmentation 하는 것, cell annotation 하는 것과,
histology + cell spatial information 을 같이 활용했을 때 임상적인 것들에 대한 예측 성능이 좋아지더라는 것
 |
 |
| Figure from paper | Figure from paper |
그리고 이를 이용하면 1mm2 크기의 종양을 이용해서도 progression 을 95% 정도의 정확도로 예측할 수 있다고 했음.
1mm2 가 어느정도인지 하면 대부분의 biopsy size 보다 작은 사이즈임.
댓글