技术文章/ ARTICLE

我的位置:首页  >  技术文章  >  治疗学|定量质谱成像方法评估抗癌药物肿瘤靶向效率和瘤内分布异质性

治疗学|定量质谱成像方法评估抗癌药物肿瘤靶向效率和瘤内分布异质性

更新时间:2021-03-18      浏览次数:2036

转自公众号

Theranostics|定量质谱成像方法评估抗癌药物肿瘤靶向效率和瘤内分布异质性

再帕尔•阿不力孜科研团队 第43期
中国医学科学院药物研究所
天然药物活性物质与功能国家重点实验室
文献整理:金波  指导教师:贺玖明

   本课题组在《Theranostics》上发表了一篇题为“Evaluation of the tumor-targeting efficiency and intratumor heterogeneity of anticancer drugs using quantitative mass spectrometry imaging”的研究论文,采用空气动力辅助解吸电喷雾离子化(AFADESI)技术和基于人工神经网络(ANN)的虚拟校正-定量质谱成像(VC-QMSI)方法,建立了针对紫杉醇及其衍生物前药的体内定量成像方法,为评估该类药物的肿瘤靶向效率和瘤内异质性分布提供了直观有效的途径,也为靶向抗肿瘤新药研发提供了有力的研究工具。

背景介绍

 
 
 
 

    可区分正常组织和肿瘤组织的靶向抗肿瘤药物开发是癌症治疗研究中的关键问题。在新药研发的早期,如何快速评估抗癌药物的肿瘤靶向性非常重要,且了解药物在肿瘤内的异质性分布更具挑战。开发一种高精度、高灵敏度的定量成像分析方法有望解决这一难题。质谱成像是一种无需标记的分子成像技术,它可提供有关生物体内药物和代谢物分布的时空信息,其在药物开发领域的应用正在迅速增加。紫杉醇具有很强的抗肿瘤活性,但直接用药常伴随有骨髓抑制、神经毒性等严重不良反应;近年来临床致力于对紫杉醇进行结构优化、剂型改造或前体药物开发,以提高药物的肿瘤靶向能力,减少副作用。本研究建立了紫杉醇及其衍生物前药的体内定量成像方法,评估了该类药物的肿瘤靶向效率和瘤内异质性分布。

实验设计

 
 
 
 
 

   通过构建含已知浓度药物的模拟生物组织,建立了定量质谱成像标准曲线;采用空气动力辅助解吸电喷雾离子化质谱成像(AFADESI-MSI)技术,同时采集药物、药物代谢物和内源性代谢物信息;以内源性代谢物为内标,结合ANN方法,构建了生物组织中质谱响应基体效应自动预测与校正的回归模型,对动物切片的单位像素进行逐一定量,从而建立了整体动物体内药物质谱成像分析方法。将该方法用于评估静脉注射紫杉醇(PTX)、紫杉醇脂质体(PTX-liposome)和紫杉醇前药(PTX-R)在A549细胞异种移植裸鼠中的靶向效率和瘤内的分布异质性。

实验结果

 
 
 
 
1 基于人工神经网络的虚拟校正-定量质谱成像策略
    该策略的步骤如下:采用含有相同药量的不同类型的模拟组织,筛选出与药物响应强度变化紧密相关的内源性代谢物,并建立药物的相对响应强度(相对校正因子RCF)与内源性代谢物离子强度之间的ANN模型(图1A)。根据该模型自动预测整体动物切片中每个像素的RCF值(RCFpredicted),并根据公式
Intensitycal = Intensity /RCFpredicted
获得校正后的药物响应强度(Intensitycal)。将校正响应值用于构建标准曲线,其线性相关系数从未校正的0.45增至校正后的0.99(图1C)。使用校正后的标准曲线确定整体动物体内的药物相对含量。此外,该方法利用丰富的内源性代谢物质谱信息,通过机器学习可自动识别动物体内的生理分区(图1D);它可替代需在光学或H&E染色指导下的人工分区方法。综上,VC-QMSI可用于复杂的整体动物样本中药物的空间分辨定量分析(图1E)。    

图1 VC-QMSI策略在整体动物组织中准确定位抗肿瘤药物的过程示意图 (A)基于内源性代谢物的机器学习方法预测相对校正因子的示意图 (B)不同器官的相对校正因子成像以及相对校正因子预测值和实测值的比较;缩写:H心脏,Li肝脏,Sp脾,Lu肺,K肾,Br大脑,M肌肉,Tu肿瘤 (C)以药物含量-未校正的药物响应强度构成的标准曲线和以药物含量-校正后的药物响应强度构成的虚拟校正标准曲线对比 (D)通过使用K均值和t-SNE聚类分析进行自动像素标记的整体动物分割图像 (E)整体动物体内药物定量的可视化结果以及光学图像

 

2 喷雾溶剂选择

    考察了多种有机溶剂/水组合以及挥发性盐对药物响应值的影响,终优选出乙腈:水(5:5)作为更佳喷雾溶剂。它能对药物及内源性代谢物进行有效的解吸、提取以及离子化,达到灵敏准确的定量结果。

 
3 PTX在整体动物中的时空分布
    PTX组和PTX-liposome组:PTX在动物体内呈广泛分布,在心、肝、脾、肺、肾、肌肉、肠、胃和肿瘤组织中均有分布;在健康组织中的含量远高于PTX-R组;给药后期可观察到PTX在胃肠道中大量积累,而在肾组织中几乎不见,提示PTX可能主要通过胆汁-粪便途径排泄。PTX-R组:与前两组的广泛分布不同,PTX-R主要分布于肿瘤组织,其次是肺和肠。三组小鼠脑中均没有明显的药物分布。就24h内的肿瘤组织药物暴露量而言,PTX-R组与PTX-liposome组相当,是PTX组的2倍;以PTX组为参比,PTX-R组的相对靶向效率(RTE)是PTX-liposome组的近50倍。以上证明PTX-R有良好的肿瘤靶向能力。

图2 三个给药组在不同时间点的AFADESI-MSI可视图(A)PTX在整体动物体内的时空和定量分布(B)PTX在肿瘤组织中的时空和定量分布

 

4 PTX-R的瘤内异质分布

    肿瘤根据形态学的异质性可分为不同的微区(图3A,3B)。基于代谢物特征采用t-SNE和k-means等手段得到的肿瘤微区自动识别的结果(图3C)与H&E染色结果(图3A)高度一致。PTX-R在肿瘤坏死区域和胶原蛋白区域的含量明显高于肿瘤薄壁组织区域(图3D,3E, 3F),表明PTX-R具有出色的肿瘤穿透能力。对比肿瘤的薄壁组织和间质区域,PTX-R更多地积累于肿瘤中未明显分化的区域,比如肿瘤的胶原蛋白区域和脂肪组织。这种药物在肿瘤微区分布的异质性值得进一步研究,它对于认识肿瘤的生长、侵袭、对药物的敏感性以及预后均有重要作用。

图3 PTX-R在瘤内的异质分布(A)肿瘤组织的H&E染色图像(B)放大倍数(×20)的代表性肿瘤微区(C)基于代谢物谱的肿瘤微区的t-SNE空间分布(D)PTX-R在肿瘤微区中的分布(E)药物离子成像和H&E染色成像之间的耦合匹配叠加图(F)肿瘤微区中PTX-R的定量分布

总结

 
 
 

    采用无需标记的AFADESI和VC-QMSI技术成功建立了针对紫杉醇及其前药的定量质谱成像方法,评估了该类抗肿瘤药物的肿瘤靶向效率和瘤内分布异质性,并提供了直观的实验证据表明设计的紫杉醇前药具备优异的肿瘤蓄积能力和低全身毒性。进一步证明AFADESI-MSI技术具有高灵敏和宽覆盖的特点,可在整体动物的体内微区同时可视化各种类型的药物、代谢物和内源性代谢物。VC-QMSI方法将内源性代谢物作为内标,建立ANN模型;根据模型预测每个像素的RCF值,并校正药物离子强度,从而实现药物在整体动物和亚器官组织中的定量可视化。紫杉醇前药及其代谢物的体内定量分布研究有助于从药物的保留、消除、靶向和释放四个角度设计有效的肿瘤靶向药物。所建方法有助于预测与药物分布相关的药效和安全性,在抗肿瘤药物研发早期进行直接快速的药效筛查,减少损耗、降低成本。此外,本研究对阐明药物的功效、毒性和耐药性提供了一个深入的视角,有助于抗肿瘤药物的设计和优化。

原文文献

 
 
 
 

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. 

缩略语

 
 
 
AFADESI:Airflow-Assisted Desorption Electrospray Ionization,空气动力辅助解吸电喷雾离子化;ANN:Artificial Neural Network,人工神经网络;VC-QMSI:Virtual Calibration Quantitative Mass Spectrometry Imaging,虚拟校正-定量质谱成像;AFADESI-MSI:Airflow-Assisted Desorption Electrospray Ionization Mass Spectrometry Imaging,空气动力辅助解吸电喷雾离子化质谱成像技术;PTX:Paclitaxel,紫杉醇;PTX-liposome,紫杉醇脂质体;PTX-R:Paclitaxel Prodrug,紫杉醇前药;RCF: Relative Calibration Factors,相对校正因子;H&E:Hematoxylin & Eosin,苏木精-伊红;RTE:Relative Targeting Efficiency,相对靶向效率;t-SNE:t-distributed Stochastic Neighbour Embedding,t分布随机邻域嵌入;k-means:k-means Clustering Algorithm,k均值聚类算法
维科托(北京)科技有限公司
地址:北京通州区张家湾镇方和正圆工业园区广聚街15号院1号楼7124室
邮箱:sale@viktor.com.cn
传真:86-010-57562186
扫一扫关注我们
SCAN

TEL:13660308591

关注公众号