癌细胞的形状暗示着它的危险吗

　　医生有时使用癌细胞的遗传学经验来预测它是怎样移动的，它有怎样的危险性，因而应该对它使用什么治疗方案。在“综合生物学”期刊上发表的一篇文章显示，癌细胞的形状可能提供类似的线索。最后，科罗拉多州立大学的研究人员希望他们的细胞形状测量可以与基因组数据结合，以提供更精确的预测和指导患者治疗疾病的策略。

　　科罗拉多州立大学化学与生物工程系助理教授Ashok Prasad博士说：“这只是冰山一角---调查形成的开始来自一个众所周知的事实，即致癌作用的过程导致细胞骨架的错误调节”。换句话说，癌症的形成改变了细胞的形状。

　　他指出，当病理学家检查肿瘤样本时，他可能会看到生长细胞或细胞核或染色体的结构异常。然而Prasad说：“我们的假设是，在癌症发生过程的早期，在统计学水平上形状有微妙的变化，可以用计算机来获取。

　　实验室的博士候选人Prasad和第一作者Elaheh Alizadeh等人说：“为了确定这些变化可能是什么，首先必须量化细胞形状。不是试图将细胞分类为“有点像长方形”或“有点像球形”，该组使用所谓的Zernike矩来精确捕获细胞尺寸。Zernike时刻是以物理学家Frits Zernike命名，他赢得了1953年诺贝尔物理学奖，是一种将形状表示为数据的方法。 这需要选择有限数量的测量（研究者选择256），然后变成一种数字细胞形状的样式。研究人员还发现了一种表示细胞系之间的Zernike时刻的差异的载体。问题是描述Zernike时刻差异的载体是否可以帮助确定哪个细胞系可能是最具侵袭性的。

　　机器学习是一个工具，你必须给出一些例子，你必须说：“这些是橙子，这些是苹果，然后一个神经网络就可以学会区分”。Alizadeh说：“ 然后你给系统一个苹果，看看它是否可以正确地告诉你它是什么”。

　　在这种情况下，“苹果”和“橘子”侵入骨肉瘤细胞系的次数就会越来越少。

　　Alizadeh说：“我们使用的四种细胞系模型可以准确地预测它们”。兼具物理本科学位、等离子工程硕士学位和机器学习的化学工程博士Alizadeh，吸取三个方面的专业知识，以一个独特的视角进行这一研究。结合Zernike时刻，挖掘和挑战从人类细胞系收集数据的现实。

　　在证明他们模型的作用后，问题是如果要求评估一个新的患者样本的话，团队的机器学习面对假设的第五个细胞系时会发生什么。Alizadeh说：“我们发现，如果允许我们的神经网络基于这些新细胞的特征重新校正其分类，然后再去评估新的细胞，它确实能够预测的很好”。

　　然而Prasad和Alizadeh指出，重要的问题仍然存在。例如，细胞如何成像可以影响它的形状。普拉萨德说：“当你看见它们可能会影响你看到什么，你把这些细胞进行标记”。同样，也存在其他无数的方法来量化细胞形状，其中泽尼克时刻就是其中的一种。未来的研究将探索捕获细胞尺寸数据的其他方法。

　　普拉萨德还说：“倘若我们能够做到用这套形状的变化代表这些遗传变化的话，我认为这将是惊人的”。这将让我们增加形状作为一变量，以确定癌症的预后活检。