肺癌球状体与微血管在芯片中共同培养

研究用 A549 人肺癌细胞形成球状体,与人脐静脉内皮细胞(HUVEC)共同置于三通道微流控芯片的纤维蛋白凝胶中。内皮细胞在约 3 天内形成微血管网络,球状体与血管在同一空间生长,便于连续观察细胞接近和进入血管。

团队从 THP-1 来源巨噬细胞获得条件培养液,与 TGF-β1 组成上皮—间质转化(EMT)联合刺激条件。二维比较中,联合条件增强迁移,E-cadherin 降低,并改变多项 EMT 相关基因表达;vimentin 增加未达到显著水平。

第 3 天起,芯片接受联合刺激或对照培养液,继续观察 24 小时。微血管总长度和连接点数量在这段时间内相近,但血管连接蛋白和基底膜相关蛋白已出现变化。

共聚焦成像显示细胞穿过血管壁

活细胞影像捕捉到癌细胞离开球状体,沿血管壁移动,先伸出膜突起,再穿入血管。高分辨率共聚焦截面与三维重建进一步显示部分癌细胞位于 CD31 标记的血管腔内。对照条件下也可见少量入血事件。

人工计数中,联合刺激组平均约有 2 个入血事件/球状体,对照组少于 1 个。该比较分别使用 21 和 19 个球状体,来自 3 次生物重复。研究还分别测试 NCI-H1975 肺癌细胞和 BEAS-2B 支气管上皮参照:NCI-H1975 的入血由约 0.5 升至 3 个事件/球,而 BEAS-2B 在所测条件下保持低于 1 个事件/球。

机器学习量化使用肿瘤与血管信号重叠

图像分析以明场和内皮荧光为输入,利用 28 张图像训练血管分割分类器,再计算血管区域内的肿瘤荧光颗粒。颗粒定位于分割出的血管区域,被作为入血事件的代理指标。实时影像与高分辨率截面承担了直接观察细胞进入血管的功能。

自动分析得到联合刺激组平均约 3 个事件/球状体、对照组约 1 个,趋势与人工计数相近,但数值略高。自动分析使用 107 个刺激组和 72 个对照组球状体,来自 11 次生物重复;其对象集合与人工分析不同。

作者认为自动分析可能捕捉到人工遗漏的事件,同时其计算定义依赖荧光重叠。后续若扩大应用,仍需评价不同细胞、成像条件及三维分析下的表现。

肺癌入血芯片的机器学习辅助血管分割、肿瘤信号共定位及事件计数。

窄屏可横向滑动查看完整图表。

肺癌入血芯片的机器学习辅助血管分割、肿瘤信号共定位及事件计数。(Christy Wing Tung Wong et al. / Bioactive Materials, 2025, Figure 8;CC BY 4.0)

持续刺激 24 小时后,血管无法继续灌流

联合刺激后,血管连接蛋白 VE-cadherin 的整体水平降低超过 50%,癌细胞进入位置附近也更少见清楚的血管边界。研究将这些变化与更容易入血联系起来,但没有逐一阻断候选因素来确定它们的因果贡献。

开始刺激时,40 kDa 荧光示踪物的通透系数与对照相近。持续刺激 24 小时后,血管与培养液侧通道之间的开口关闭,无法继续测量通透性;对照组仍能灌流。这一差异限定了该芯片的血管功能评价时间窗口。

本研究以细胞系和脐静脉内皮构建肺癌进入微血管的早期过程。作者计划加入患者来源肿瘤、更多基质和免疫组分,并拓展药物评价。当前结果为入血成像与量化提供了模型,还没有形成患者转移结局或抗转移药物的临床预测验证。

来源与延伸阅读

  1. Lung cancer intravasation-on-a-chip: Visualization and machine learning-assisted automatic quantification. Bioactive Materials (2025). ↗