Mikroskooppitekniikka voisi mahdollistaa informatiivisemman biopsin

Anonim

MIT: n ja Harvardin lääketieteellisen tutkijan tutkijat ovat kehittäneet keinot biopsia-näytteille, joilla on paljon suurempi tarkkuus, mikä voisi auttaa lääkäreitä kehittämään entistä tarkempia ja edullisempia diagnostisia testejä.

Yli 100 vuotta tavanomaiset valomikroskoopit ovat olleet elintärkeitä patologisiin välineisiin. Kuitenkin pienikokoisia yksityiskohtia soluista ei näy näillä alueilla. Uusi tekniikka perustuu laajentumisnopeusmikroskopiaan, joka on alunperin kehitetty MIT: n Edward Boydenin laboratoriossa, jossa tutkijat laajentavat kudosnäytteen 100 kertaa alkuperäiseen tilaansa ennen kuvantamista.

Tämä laajennus mahdollistaa tutkijoiden näkemän perinteisen valomikroskoopin ominaisuuksia, joita tavallisesti voidaan nähdä vain kalliilla, suuriresoluutioisilla elektronimikroskoopilla. Se paljastaa myös ylimääräiset molekyylitiedot, joita elektronimikroskooppi ei pysty tarjoamaan.

"Se on tekniikka, jolla voi olla hyvin laaja sovellus", sanoo Boyden, biologisen insinöörin apulaisprofessori sekä aivot ja kognitiotieteet MIT: ssä. Hän on myös MIT: n Media Labin ja Brain Researchin McGovernin instituutti sekä HHMI-Simonsin tiedekunnan tutkija.

Luonnon bioteknologian 17. heinäkuuta julkaistussa artikkelissa Boyden ja hänen kollegansa käyttivät tätä tekniikkaa erottaakseen varhaisvaiheiset rintasyövyt, joilla on suuri tai vähäinen vaara syövän kehittymiselle - ihmisen tarkkailijoille haastava tehtävä. Tätä lähestymistapaa voidaan soveltaa myös muihin sairauksiin: Tutkijat havaitsivat munuaiskudoksen analyysissä, että laajennettujen näytteiden kuvat paljastivat munuaissairauksien merkkejä, joita tavallisesti voidaan nähdä vain elektronimikroskoopilla.

"Laajennusmikroskopian avulla pystymme diagnosoimaan sairauksia, jotka olivat aiemmin mahdottomia diagnosoida tavanomaisen valomikroskoopin avulla", kertoo Harvardin lääketieteellisen oppilaitoksen Beth Israel Deaconessin lääketieteellisen keskuksen (BIDMC) opettaja Octavian Bucur ja Harvardin Ludwig-keskuksesta, ja yksi paperin johtajista.

MIT postdoc Yongxin Zhao on paperin johtava kirjailija. Boyden ja Andrew Beck, Harvardin lääketieteellisen koulun entinen apulaisprofessori ja BIDMC, ovat paperin vanhempia kirjoittajia.

"Muutamia kemikaaleja ja valomikroskooppia"

Boydenin alkuperäinen laajennusmikroskoopitekniikka perustuu kudosnäytteiden upotukseen tiheässä, tasaisesti muodostetussa polymeerissä, joka virtaa veden lisäämisen aikana. Ennen turpoamista tutkijat ankkuroivat polymeerigeeliin molekyylejä, joita he haluavat kuvailla, ja ne pilkkoavat muita proteiineja, jotka tavallisesti pitävät kudosta yhdessä.

Tämän kudoksen laajentumisen ansiosta tutkijat voivat saada kuvia, joiden resoluutio on noin 70 nanometriä, mikä oli aiemmin mahdollista vain hyvin erikoistuneilla ja kalliilla mikroskoopilla.

Uudessa tutkimuksessa tutkijat ryhtyivät sovittamaan laajentumisprosessin biopsiakudosnäytteille, jotka yleensä upotettiin parafiinivahaan, flash-jäädytettyinä tai värjätyiksi kemikaaleilla, jotka tekevät solurakenteista näkyvän.

MIT / Harvard-tiimi kehitti prosessin näiden näytteiden muuntamiseksi laajennettavaksi sopivaksi tilaksi. Esimerkiksi ne poistavat kemiallisen tahran tai parafiinin altistamalla kudokset kemialliselle liuottimelle, jota kutsutaan ksyleeniksi. Sitten ne kuumentavat näytettä toisessa kemikaalissa, jota kutsutaan sitraatiksi. Tämän jälkeen kudokset läpäisevät prosessin alkuperäisen version kaltaisen laajentumisprosessin, mutta voimakkaammilla ruuansulatusvaiheilla kompensoidaan näytteiden voimakasta kemiallista kiinnittymistä.

Tämän menettelyn aikana tutkijat voivat myös lisätä fluoresoivia etikettejä kiinnostaville molekyyleille, mukaan lukien proteiinit, jotka merkitsevät erityisiä solutyyppejä tai DNA: ta tai RNA: ta spesifisellä sekvenssillä.

Tutkijat testasivat tätä lähestymistapaa kudosnäytteistä potilailla, joilla oli alkuvaiheen rintojen vaurioita. Yksi tapa ennustaa, ovatko nämä leesiot pahanlaatuisia, on arvioida solujen ytimien ulkonäkö. Hyvänlaatuiset leesiot epätyypillisissä ytimissä ovat noin viisinkertaistuneet todennäköisemmin syöpään etenemiseen kuin tyypillisten ytimien kanssa.

Tutkimukset ovat kuitenkin paljastaneet merkittäviä eroja eri patologien suorittamien ydin atyyppien arvioinnin välillä, mikä voi johtaa virheelliseen diagnoosiin ja tarpeettomiin leikkauksiin. Parannettu järjestelmä hyvänlaatuisten leesioiden eriyttämiseksi epätyypillisten ja tyypillisten ytimien kanssa voisi mahdollisesti estää Yhdysvalloissa vuosittain 400 000 väärää diagnoosia ja satoja miljoonia dollareita tutkijoiden mukaan.

Kudosnäytteiden laajentamisen jälkeen MIT / Harvardin ryhmä analysoi ne konekielisen algoritmin avulla, joka pystyy määrittämään kymmeniä ominaisuuksia, mukaan lukien orientaatio, halkaisija ja kuinka paljon ne poikkeavat todellisesta kiertokulusta. Tämä algoritmi pystyi erottamaan vaurioita, jotka todennäköisesti muuttuivat invasiivisiksi, ja ne, jotka eivät olleet 93 prosentin tarkkuudella laajennetuista näytteistä verrattuna vain 71 prosenttiin esipuhdistetusta kudoksesta.

"Nämä kaksi leesiotyyppiä ovat hyvin samanlaisia ​​kuin paljaalla silmällä, mutta niillä on paljon vähemmän syöpävaaraa", Zhao sanoo.

Tutkijat analysoivat myös nefroottisen oireyhtymän potilaiden munuaiskudosnäytteitä, mikä heikentää munuaisten kykyä suodattaa verta. Näissä potilailla pienet sormen kaltaiset ulokkeet, jotka suodattavat veren, menevät tai vaurioituvat. Nämä rakenteet ovat noin 200 nanometrin etäisyydellä toisistaan ​​ja siksi niitä tavallisesti voidaan nähdä vain elektronimikroskoopilla tai kalliilla superresoluution mikroskoopilla.

Kun tutkijat osoittivat laajentuneiden kudosnäytteiden kuvia tiedemiehille, joka sisälsi patologeja ja ei-patologeja, ryhmä pystyi tunnistamaan sairastuneen kudoksen 90 prosentin tarkkuudella kokonaisvaltaisesti, kun vain 65 prosentin tarkkuus ja laajentamattomat kudosnäytteet.

"Nyt voit diagnosoida nefroottista munuaissairautta tarvitsematta elektronimikroskooppia, erittäin kallis kone", Boyden sanoo. "Voit tehdä sen muutamalla kemikaalilla ja valomikroskoopilla."

Mallien paljastaminen

Käyttämällä tätä lähestymistapaa tutkijat ennakoivat, että tutkijat voisivat kehittää tarkempaa diagnostiikkaa monille muille sairauksille. Tätä varten tutkijoiden ja lääkäreiden on analysoitava paljon enemmän potilasnäytteitä, joiden avulla he voivat löytää malleja, jotka olisi mahdotonta nähdä toisin.

"Jos voit laajentaa kudosta sadankertaisella tilavuudella, kaikki muut asiat ovat samat, saat 100 kertaa tietoja", Boyden sanoo.

Esimerkiksi tutkijat voisivat erottaa syöpäsolut sen perusteella, kuinka monta kopiota heistä on tietyn geenin. Lisäkopiot sellaisista geeneistä kuten HER2, jotka tutkijat kuvaavat yhdessä osassa tutkimusta, osoittavat rintasyövän alatyyppiä, joka on oikeutettu erityisiin hoitomuotoihin.

Tutkijat voivat myös tarkastella genomin arkkitehtuuria tai miten solumuodot muuttuvat, kun ne tulevat syöpää aiheuttaviksi ja toimivat vuorovaikutuksessa muiden kehon solujen kanssa. Toinen mahdollinen sovellus on identifioida proteiineja, jotka ekspressoidaan nimenomaan syöpäsolujen pinnalla, jolloin tutkijat voivat suunnitella immunoterapioita, jotka merkitsevät nämä solut tuhoamaan potilaan immuunijärjestelmää.

Boyden ja hänen kollegansa järjestävät useita kertoja kuukausittain koulutusta MIT: ssä, jossa vierailijat voivat tulla katsomaan laajennusmikroskoopitekniikoita ja he ovat tehneet pöytäkirjojensa saataville verkkosivuillaan. He toivovat, että monet ihmiset alkavat käyttää tätä lähestymistapaa erilaisten sairauksien tutkimiseen.

"Syöpäbiopsiat ovat vasta alkua, " Boyden sanoo. "Meillä on uusi pipeline kliinisten näytteiden ottamiseen ja niiden laajentamiseen, ja olemme havainneet, että voimme soveltaa laajentumista monille eri sairauksille. Laajennus mahdollistaa laskennallisen patologian hyödyntää entistä enemmän tietoa näytteestä kuin aiemmin oli mahdollista."

Humayun Irshad, tutkija Harvardin / BIDMC: n ja tutkimuksen tekijän kanssa, on samaa mieltä: "Laajennetut kuvat aiheuttavat informatiivisempia ominaisuuksia, jotka puolestaan ​​johtavat suorituskykyisempään luokittelumalliin."

menu
menu