基于图像的高内容技术的一个主要目标是提供一个信息量更大、生理相关的筛选平台,以选择用于进一步开发的高质量候选药物(3, 8, 27). 预计在发现和开发的后期阶段,此类方法应通过优先考虑具有改进疗效和毒性特征的新类别治疗药物,减少高水平的化合物消耗(27). 为了实现这种预测能力,有必要对高含量分析的复杂性进行概括体内生物学,包括不同的遗传和表观遗传变异体,这些变异体代表了跨异质患者群体和进化疾病病理生理学的广泛生理学和疾病病理学。在本文中,我们描述了一种灵活的定制高含量表型方法,该方法集成到自动化数据处理工作流中,以快速、稳健地监测生理相关细胞面板的表型反应,这些细胞面板反映患者突变状态或不同的癌源。我们描述了一系列新的图像分析和数据处理工具的应用,这些工具集成到标准的高内容表型分析工作流中,以促进基于相关表型读数的进一步开发的化合物优先排序。本文中描述的高内容工作流首先应用自动延时相控显微镜和机器学习算法来定义适当的时间点,以详细监测细胞表型反应。使用Definiens认知网络技术创建定制设计的图像分析算法,可以测量细胞亚群的特征,从而捕获相关细胞类型的复杂和微妙的表型反应。Mahalanobis度量提供了一种基于多参数表型反应的稳健命中分层方法。手动校准马氏距离阈值以定义DMSO控制的主动响应,然后自动应用于整个数据集,可以在广泛的表型空间内对任何测试化合物、剂量和时间点的化合物活性进行稳健识别。与费力的图像视觉检查相比,这种统计驱动的命中识别方法具有显著优势,不仅在客观性、再现性和科学家节省的时间方面,而且在灵敏度方面。根据我们的经验,马哈拉诺比斯撞击分层工具能够检测到化合物诱导的表型,这些表型代表了人眼可能忽略的细胞形态的细微变化。Kohonen网络的生成使复杂的多维数据集能够简单地可视化。在本研究中,我们应用Kohonen网络策略评估跨剂量浓度和细胞类型的多参数表型反应特征。由于我们开发了一种通用的定制图像分析算法,可以自动测量不同细胞类型的高质量形态学参数,因此只能应用Kohonen网络来比较不同细胞类型之间的表型反应。在本研究中,使用与欧几里德距离度量对齐的kNN(最近邻)分类器,基于与注释参考集的表型相似性对化合物进行排序,然后为任何选定的化合物赋予预测的MOA和相关的概率分数。
在本研究中,我们展示了如何将Kohonen和kNN方法应用于多参数高含量数据,通过将化合物诱导的表型反应与细胞类型和遗传背景相关联来揭示新的机制见解。例如,使用Kohonen网络分析,我们发现与MCF7-p53突变细胞相比,依米汀在MCF7-wt细胞中诱导了明显的表型反应。这些结果表明,催吐剂对癌细胞系肌动蛋白细胞骨架的诱导作用可能依赖于p53功能。据我们所知,这是第一篇报道,描述了催乳素诱导的细胞功能对p53的需求。事实上,以前的研究已经得出结论,p53在催吐剂诱导的肿瘤细胞凋亡中不起作用(28). 对复合物诱导的细胞骨架结构变化的新型p53需求的鉴定可能对肿瘤侵袭和胞质分裂产生重要影响。此外,Kohonen和kNN分析强调了Ovcar3细胞和其他细胞类型之间的几种不同的表型反应。图像的手动可视化显示表明,与其他细胞类型相比,Ovcar3细胞对几种机械化合物类的影响更具抵抗力。相比之下,在许多情况下,MiaPaCa2细胞似乎对复合扰动更敏感。本研究中的kNN分析结果进一步验证了所用方法和工作流程的实用性,显示了自动定义不同机械类别化合物的生物相似性的能力,包括微管分离剂和微管稳定剂、蛋白酶抑制剂、,DNA复制抑制剂和他汀类药物。
将高含量表型分析应用于本研究中描述的相关细胞类型和表型,可以测试明确的临床假设,确保收集具有生物学意义的高含量结果,从而促进化合物选择。我们进一步展示了如何将这些方法集成到通用数据处理工作流中,以便基于化学和生物相似性进行快速决策。
如本文所示,定制设计Definiens图像分析算法以捕获用户定义的具有挑战性的细胞类型和异质性反应的表型的能力表明了将这些方法应用于原发性、患者源性肿瘤细胞的潜力。这些方法可以提供对异质性肿瘤细胞类型(包括癌源性干细胞群体)进行复合治疗后的表型结果之间的直接相关性。
我们预计,本文所述方法的应用与生理相关的高内容屏幕相一致,有可能推动新一代治疗药物的开发,包括根据适当的疾病背景和细胞亚型定制的药物成分或多药。