CN117647639B - 一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法 - Google Patents
一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法 Download PDFInfo
- Publication number
- CN117647639B CN117647639B CN202410123387.3A CN202410123387A CN117647639B CN 117647639 B CN117647639 B CN 117647639B CN 202410123387 A CN202410123387 A CN 202410123387A CN 117647639 B CN117647639 B CN 117647639B
- Authority
- CN
- China
- Prior art keywords
- drug
- tumor
- organoid
- sample
- drug sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 187
- 210000002220 organoid Anatomy 0.000 title claims abstract description 153
- 208000005016 Intestinal Neoplasms Diseases 0.000 title claims abstract description 108
- 201000002313 intestinal cancer Diseases 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000010172 mouse model Methods 0.000 title claims abstract description 71
- 238000002054 transplantation Methods 0.000 title claims abstract description 48
- 238000007877 drug screening Methods 0.000 title claims abstract description 20
- 239000003814 drug Substances 0.000 claims abstract description 206
- 229940079593 drug Drugs 0.000 claims abstract description 171
- 238000011156 evaluation Methods 0.000 claims abstract description 78
- 230000009471 action Effects 0.000 claims abstract description 70
- 229940126585 therapeutic drug Drugs 0.000 claims abstract description 61
- 230000000968 intestinal effect Effects 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000011282 treatment Methods 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 238000004949 mass spectrometry Methods 0.000 claims abstract description 16
- 238000002347 injection Methods 0.000 claims abstract description 13
- 239000007924 injection Substances 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 8
- 210000001519 tissue Anatomy 0.000 claims description 58
- 230000008859 change Effects 0.000 claims description 57
- 241000699670 Mus sp. Species 0.000 claims description 45
- 108090000623 proteins and genes Proteins 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000012900 molecular simulation Methods 0.000 claims description 24
- 102000004169 proteins and genes Human genes 0.000 claims description 24
- 241000699666 Mus <mouse, genus> Species 0.000 claims description 22
- 238000001727 in vivo Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 21
- 238000002360 preparation method Methods 0.000 claims description 21
- 238000010186 staining Methods 0.000 claims description 21
- 230000001225 therapeutic effect Effects 0.000 claims description 21
- 238000002474 experimental method Methods 0.000 claims description 20
- 238000000338 in vitro Methods 0.000 claims description 20
- 150000001875 compounds Chemical class 0.000 claims description 19
- 239000000243 solution Substances 0.000 claims description 18
- 239000000427 antigen Substances 0.000 claims description 17
- 108091007433 antigens Proteins 0.000 claims description 17
- 102000036639 antigens Human genes 0.000 claims description 17
- 230000003285 pharmacodynamic effect Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000012010 growth Effects 0.000 claims description 13
- 230000004060 metabolic process Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000002156 mixing Methods 0.000 claims description 12
- GAGWJHPBXLXJQN-UHFFFAOYSA-N Capecitabine Natural products C1=C(F)C(NC(=O)OCCCCC)=NC(=O)N1C1C(O)C(O)C(C)O1 GAGWJHPBXLXJQN-UHFFFAOYSA-N 0.000 claims description 10
- GAGWJHPBXLXJQN-UORFTKCHSA-N Capecitabine Chemical compound C1=C(F)C(NC(=O)OCCCCC)=NC(=O)N1[C@H]1[C@H](O)[C@H](O)[C@@H](C)O1 GAGWJHPBXLXJQN-UORFTKCHSA-N 0.000 claims description 10
- 206010063045 Effusion Diseases 0.000 claims description 10
- 206010061598 Immunodeficiency Diseases 0.000 claims description 10
- 208000029462 Immunodeficiency disease Diseases 0.000 claims description 10
- 229960004117 capecitabine Drugs 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 10
- 239000001963 growth medium Substances 0.000 claims description 10
- 230000007813 immunodeficiency Effects 0.000 claims description 10
- UWKQSNNFCGGAFS-XIFFEERXSA-N irinotecan Chemical compound C1=C2C(CC)=C3CN(C(C4=C([C@@](C(=O)OC4)(O)CC)C=4)=O)C=4C3=NC2=CC=C1OC(=O)N(CC1)CCC1N1CCCCC1 UWKQSNNFCGGAFS-XIFFEERXSA-N 0.000 claims description 10
- 229960004768 irinotecan Drugs 0.000 claims description 10
- 230000003211 malignant effect Effects 0.000 claims description 10
- DWAFYCQODLXJNR-BNTLRKBRSA-L oxaliplatin Chemical compound O1C(=O)C(=O)O[Pt]11N[C@@H]2CCCC[C@H]2N1 DWAFYCQODLXJNR-BNTLRKBRSA-L 0.000 claims description 10
- 229960001756 oxaliplatin Drugs 0.000 claims description 10
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 claims description 9
- 230000029087 digestion Effects 0.000 claims description 9
- 238000013115 immunohistochemical detection Methods 0.000 claims description 9
- 238000000302 molecular modelling Methods 0.000 claims description 9
- 239000002244 precipitate Substances 0.000 claims description 9
- 239000013049 sediment Substances 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 239000006228 supernatant Substances 0.000 claims description 9
- 241001465754 Metazoa Species 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010362 genome editing Methods 0.000 claims description 8
- 238000007920 subcutaneous administration Methods 0.000 claims description 8
- 230000004614 tumor growth Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 7
- 150000002500 ions Chemical class 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- GLNADSQYFUSGOU-GPTZEZBUSA-J Trypan blue Chemical compound [Na+].[Na+].[Na+].[Na+].C1=C(S([O-])(=O)=O)C=C2C=C(S([O-])(=O)=O)C(/N=N/C3=CC=C(C=C3C)C=3C=C(C(=CC=3)\N=N\C=3C(=CC4=CC(=CC(N)=C4C=3O)S([O-])(=O)=O)S([O-])(=O)=O)C)=C(O)C2=C1N GLNADSQYFUSGOU-GPTZEZBUSA-J 0.000 claims description 6
- 239000006285 cell suspension Substances 0.000 claims description 6
- 238000012136 culture method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000011081 inoculation Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 108090000790 Enzymes Proteins 0.000 claims description 5
- 102000004190 Enzymes Human genes 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001413 cellular effect Effects 0.000 claims description 5
- 238000002513 implantation Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 239000002904 solvent Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000007795 chemical reaction product Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000029142 excretion Effects 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 4
- 238000011065 in-situ storage Methods 0.000 claims description 4
- 108010082117 matrigel Proteins 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 239000012188 paraffin wax Substances 0.000 claims description 4
- 206010002091 Anaesthesia Diseases 0.000 claims description 3
- 230000037005 anaesthesia Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 150000001793 charged compounds Chemical class 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000011157 data evaluation Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000018044 dehydration Effects 0.000 claims description 3
- 238000006297 dehydration reaction Methods 0.000 claims description 3
- 230000001079 digestive effect Effects 0.000 claims description 3
- 239000000706 filtrate Substances 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 3
- 239000003517 fume Substances 0.000 claims description 3
- 238000003125 immunofluorescent labeling Methods 0.000 claims description 3
- 235000013372 meat Nutrition 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 229930014626 natural product Natural products 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000003752 polymerase chain reaction Methods 0.000 claims description 3
- 239000003761 preservation solution Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 239000012089 stop solution Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 210000000056 organ Anatomy 0.000 abstract description 19
- 239000002547 new drug Substances 0.000 abstract description 4
- 238000012827 research and development Methods 0.000 abstract description 3
- 239000013078 crystal Substances 0.000 abstract 1
- 238000005520 cutting process Methods 0.000 abstract 1
- 239000010453 quartz Substances 0.000 abstract 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 45
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000002207 metabolite Substances 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000000857 drug effect Effects 0.000 description 5
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 4
- 229930003268 Vitamin C Natural products 0.000 description 4
- 235000019154 vitamin C Nutrition 0.000 description 4
- 239000011718 vitamin C Substances 0.000 description 4
- 230000002378 acidificating effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036267 drug metabolism Effects 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000001988 toxicity Effects 0.000 description 3
- 231100000419 toxicity Toxicity 0.000 description 3
- 210000004881 tumor cell Anatomy 0.000 description 3
- 238000000692 Student's t-test Methods 0.000 description 2
- 238000005903 acid hydrolysis reaction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- -1 compound molecular ions Chemical class 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000012377 drug delivery Methods 0.000 description 2
- 230000007071 enzymatic hydrolysis Effects 0.000 description 2
- 238000006047 enzymatic hydrolysis reaction Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000037353 metabolic pathway Effects 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 230000003990 molecular pathway Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000001353 Chip-sequencing Methods 0.000 description 1
- 102000004127 Cytokines Human genes 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- 230000007067 DNA methylation Effects 0.000 description 1
- 102000013138 Drug Receptors Human genes 0.000 description 1
- 108010065556 Drug Receptors Proteins 0.000 description 1
- 108010033040 Histones Proteins 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 108700019961 Neoplasm Genes Proteins 0.000 description 1
- 102000048850 Neoplasm Genes Human genes 0.000 description 1
- 238000003559 RNA-seq method Methods 0.000 description 1
- 108700019146 Transgenes Proteins 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000013375 chromatographic separation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000012637 gene transfection Methods 0.000 description 1
- 238000004896 high resolution mass spectrometry Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007928 intraperitoneal injection Substances 0.000 description 1
- 230000002601 intratumoral effect Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000002550 mass spectrometry analysis mode Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 230000011987 methylation Effects 0.000 description 1
- 238000007069 methylation reaction Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000009456 molecular mechanism Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000006920 protein precipitation Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010254 subcutaneous injection Methods 0.000 description 1
- 239000007929 subcutaneous injection Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000005740 tumor formation Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,涉及材料分析测试领域,首先进行肠癌类器官及类器官移植瘤小鼠模型的制备和基线评估,然后通过注射方式获取所述药物样品,然后通过质谱分析方式和差异评估分析算法模型对肿瘤内细胞和分子水平变化进行分析和验证,并根据实时角度与目标角度的偏差大小和方向计算石英晶体切割过程的调整转角,然后通过综合评估模块对治疗药物样品作用后肿瘤的状态参数进行评估,然后进行药物样品优化和选择;本发明能够基于肠癌类器官及移植瘤小鼠模型识别新的药物及其作用机制,为肠癌治疗提供更好的选择,提高药物研发的效率和准确性。
Description
技术领域
本发明涉及材料分析测试领域,且更具体地涉及一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法。
背景技术
肠癌是一种常见的常见的恶性肿瘤,常常表现出可预测的发展进程和特定的细胞和分子特征。其发病率和死亡率在全球范围内均居高不下,目前,肠癌的治疗方法主要包括手术切除、放疗和化疗等尽管已经开发出了各种各样的治疗方案,但这些方法存在一定的局限性和副作用。因此,寻找新的治疗方法和药物成为了当前肠癌研究的热点。基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法是一种新的药物筛选方法,其主要原理是通过建立肠癌类器官及类器官移植瘤小鼠模型,利用化学或物理性质来测试或分析材料,筛选出具有治疗肠癌作用的药物。
目前,基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法缺乏高通量和综合评估,细胞实验或小鼠瘤模型实验手段只能检测限定数量范畴的药效学指标,不能全面综合地评估一种药物的应用优劣,其他的药物代谢、毒性副作用等指标无法检测。并且由于数据分析复杂,效果不稳定,检测出来的实验数据因素众多,导致总体分析和结果判断不准确。目前缺乏完整的模拟,细胞实验只能从细胞水平上研究药物对肿瘤的抑制效果。
因此,本发明公开了一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,能够克服现有技术在综合性和高通量方面的局限性,更准确快速地筛选出具有治疗肠癌作用的药物样品。
发明内容
针对现有技术的不足,本发明公开了一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,能够基于肠癌类器官及移植瘤小鼠模型识别新的药物及其作用机制,为肠癌治疗提供更好的选择;通过综合评估模块对所筛选出的治疗药物样品进行全面评估,包括代谢评估单元、安全性评估单元和药效评估单元。通过体外诱导肿瘤细胞形成瘤组织移植至小鼠体内形成肠癌类器官和移植瘤,同时利用基因编辑提高小鼠对肠癌的易感性,从而模拟人体肠癌的发展过程,提高了药物筛选的准确性。通过使用质谱分析和差异聚类分析算法模型等工具对肿瘤内细胞和分子水平变化进行分析和验证,可以观察药物样品对特定靶标的影响和作用机制,从而初步筛选出对肠癌具有治疗作用的药物样品。通过分子模拟自适应优化算法确定最优给药方式、给药剂量和药物疗效,并分析药物的药效学特性和机制,从而确定药物的适用范围和安全性。
本发明采用以下技术方案:
步骤一、构建肠癌类器官和免疫缺陷型小鼠,通过体外培养手术组织或恶性积液构建所述肠癌类器官,以用做移植材料,并采用基因编辑对小鼠基因进行改造,获得免疫缺陷型小鼠,以提高小鼠对肠癌的易感性,所述肠癌类器官保留来源肿瘤组织的分子和表型特征;
步骤二、收集和移植肠癌类器官,所述肠癌类器官形成并长势良好的情况下,通过移液管从培养板中进行收集,并去除基质胶后在离心管中用培养基重悬备用,所述肠癌类器官通过注射方式注射入所述免疫缺陷型小鼠的皮下,植入后1-4个月所述肠癌类器官在所述免疫缺陷型小鼠的体内形成肿瘤,开始治疗前肿瘤生长到200-500 mm3,完成构建肠癌类器官及类器官移植瘤小鼠模型;
步骤三、对所述肠癌类器官及类器官移植瘤小鼠模型进行基线评估和药物处理,所述肠癌类器官及类器官移植瘤小鼠模型通过免疫基因组化检测对开始药物作用之前的状态参数进行基线评估,并将基线评估结果作为所述肠癌类器官药物作用的起点数据,所述肠癌类器官及类器官移植瘤小鼠模型根据药物方案对进行药物处理,所述药物方案至少包括伊立替康、奥沙利铂和卡培他滨;
步骤四、初步筛选药物样品并验证,所述肠癌类器官及移植瘤小鼠模型通过质谱分析方式和差异评估分析算法模型对肿瘤内细胞和分子水平变化进行分析和验证,以观察药物样品对特定靶标的影响和作用机制,并根据分析和验证结果初步筛选肠癌的治疗药物样品;
步骤五、综合评估和筛选,所述肠癌类器官及类器官移植瘤小鼠模型通过综合评估模块对治疗药物样品作用后肿瘤的状态参数进行评估,并基于综合评估结果对所述治疗药物样品进行进一步筛选;
步骤六、药物样品优化和选择,通过分子模拟自适应优化算法确定所述治疗药物样品的最优给药方式、给药剂量和药物疗效,以确定所述治疗药物样品的适用范围和安全性。
作为本发明进一步的技术方案,所述步骤一中手术组织的体外培养方法为:接收肠癌样本后,在生物安全柜内弃去样本管中所述手术组织的保存液,再用清洗液对所述手术组织进行多次清洗,弃去清洗液,然后将所述手术组织的样本转移至无菌EP管中,用无菌手术剪和镊子剪切所述手术组织至肉糜状,将剪碎的所述手术组织转移至离心管中,加组织消化液混匀,放置于37℃水浴锅中振荡消化,消化完成后加入终止液终止消化并过滤,滤液在低温离心机中离心,弃上清留下沉淀,根据沉淀体积用适量的培养基进行重悬,取等体积的细胞悬液和台盼蓝溶液按1:1充分混匀后计数,根据细胞计数结果进行接种培养。
作为本发明进一步的技术方案,所述步骤一中恶性积液的体外培养方法为:在生物安全柜内将所述恶性积液分装至离心管内,低温离心机离心,弃上清,用清洗液重悬沉淀并混合过滤,离心,弃上清留下细胞沉淀,根据沉淀体积用培养基重悬,取细胞悬液和台盼蓝溶液按1:1充分混匀后计数,根据细胞计数结果进行接种培养。
作为本发明进一步的技术方案,所述步骤二中移植肠癌类器官的方法为:在通风橱中将所述免疫缺陷小鼠用乙醚进行麻醉,并确认麻醉成功,搅拌类器官悬浮液,以防止类器官沉降,将针头从无菌管中取出,装入注射器中,提起所述免疫缺陷小鼠的皮肤与皮下肌肉分离,将所述肠癌类器官的注射液经皮下注射至所述免疫缺陷小鼠的体内,操作结束后,将移植小鼠置于干净的笼子中观察10-15分钟,以确保麻醉恢复。
作为本发明进一步的技术方案,所述免疫基因组化检测通过染色反应显示目标蛋白质的位置和表达水平,所述免疫基因组化检测包括样品制备单元、抗原修复单元、抗体染色单元和显色镜检单元,所述样品制备单元通过将组织切片固定在载玻片进行脱水、透明化和石蜡包埋处理,完成样品制备,所述抗原修复单元通过高温、高压、酸性或酶解方式恢复组织中的蛋白质原位结构实现抗体的识别,所述抗体染色单元通过荧光标记或酶标记的二抗将特异性抗体与目标蛋白质结合,所述显色镜检单元通过荧光显微镜或光学显微镜将染色反应产物显示出来,以便观察和记录目标蛋白质在组织或细胞中的位置和表达水平,所述样品制备单元、抗原修复单元、抗体染色单元和显色镜检单元通过管道、阀门和泵进行连接,以形成完整的免疫基因组化检测系统,所述样品制备单元的输出端与所述抗原修复单元的输入端连接,所述抗原修复单元的输出端与所述抗体染色单元的输入端连接,所述抗体染色单元的输出端与所述显色镜检单元的输入端连接。
作为本发明进一步的技术方案,所述步骤二中的获取所述药物样品包括以下步骤:
步骤1、选择需要测试的药物样品,所述药物样品至少包括一种对肿瘤产生的影响和治疗作用的化合物、天然产物或化学物理样品;
步骤2、准备所述药物样品,根据所述药物样品的性质和用途选择溶剂或载体对所述药物样品进行溶解或悬浮,以制备所述药物样品的注射溶液或悬浮液;
步骤3、注射所述药物样品,将生长状态相似的小鼠随机分为不同的实验组,每个实验组的小鼠数量相同,每个实验组小鼠注射相同剂量不同的所述药物样品,定时观察小鼠的瘤组织的生长情况和形态特征。
作为本发明进一步的技术方案,所述差异评估分析算法模型采用所述基线评估结果作为初始化差异评价标准参数,以分析肿瘤内细胞和分子水平变化的相关性,当肿瘤内细胞和分子水平数据与初始化差异评价标准参数存在差异时,输出差异数据模型为:
(1)
在公式(1)中,表示所述药物样品的作用过程中肿瘤内细胞和分子水平变化输出函数,/>为肿瘤内细胞和分子水平变化的概率数,/>为配电所述药物样品的作用过程中肿瘤的实时状态参数数据,/>为所述药物样品的作用过程中输出数据的校准差值,/>;为了提高肿瘤内细胞和分子水平变化评估的精准度,通过计算极值的方式提高数据评估精确性,输出函数为:
(2)
在公式(2)中,表示所述药物样品的作用过程中肿瘤状态参数数据输出极限值,sup表示所述药物样品的作用过程中肿瘤状态参数可接受变化幅度范围,/>为所述药物样品的作用过程中的肿瘤状态变化相关系数函数,/>,/>表示肿瘤状态变化相关系数的函数特性,/>表示所述药物样品的作用过程中肿瘤状态的变量,根据肿瘤状态变化相关系数的函数特性,所述药物样品的作用过程中肿瘤状态参数可接受变化值函数公式为:
(3)
在公式(3)中,表示可接受变化值计量变化函数,/>表示所述药物样品的作用过程中肿瘤状态输出的总计量数据,/>表示所述药物样品的作用过程中肿瘤状态的第i个实际变量,/>表示所述药物样品的作用过程中所产生的自身损耗变量;根据公式(3)计算结果重新确定所述药物样品的作用过程中的标准参数,并根据标准参数计算肿瘤内细胞和分子水平变化的相关性,所述药物样品的作用过程中肿瘤状态变化幅度的函数公式为:
(4)
在公式(4)中,为所述药物样品的作用过程中肿瘤的可计量变化幅度,E为所述药物样品的作用过程中肿瘤的期望变化幅度,/>表示所述药物样品的作用过程中肿瘤状态的实际变量平均值,肿瘤内细胞和分子水平变化的相关性输出函数为:
(5)
在公式(5)中,为肿瘤内细胞和分子水平变化的相关性函数。
作为本发明进一步的技术方案,所述综合评估模块通过体外测试和体内动物实验评估治疗药物样品对肿瘤生长的抑制能力和对肿瘤元件的影响,实现所述治疗药物样品的筛选;所述体外测试和体内动物实验采用肠道镜检查、组织病理学检查、聚合酶链式反应、质谱分析和免疫荧光染色对肠癌类器官及移植瘤小鼠模型进行综合评估。
作为本发明进一步的技术方案,所述分子模拟自适应优化算法包括治疗药物样品分子建模层、分子模拟层、自适应搜索层、优化算法层、药物动力学和药效学层和安全性评估层,所述分子模拟自适应优化算法确定所述治疗药物样品的最优给药方式、给药剂量和药物疗效的工作步骤包括:
(S1)通过治疗药物样品分子建模层建立最优给药方式、给药剂量和药物疗效的数学模型,所述治疗药物样品分子建模层根据所述治疗药物样品的分子结构与特性进行建模;
(S2)通过分子模拟层对所述治疗药物样品进行分子模拟,所述分子模拟层基于建立的数学模型模拟所述治疗药物样品在不同剂量和给药方式下的体内传输、分布和代谢情况;
(S3)通过自适应搜索层搜索最佳的给药方式、给药剂量和药物疗效,所述自适应搜索层根据设定的目标函数和约束条件进行迭代和搜索,以获取最优解;
(S4)通过优化算法层对模拟结果进行优化,以确定最优的给药方式和剂量;
(S5)通过药物动力学和药效学层模拟所述治疗药物样品在体内的吸收、分布、代谢和排泄过程,以及药物与靶标分子的相互作用机制,所述药物动力学和药效学层通过建立药物动力学和药效学模型评估所述治疗药物样品的疗效和安全性,并预测不同给药方式和剂量对治疗效果的影响;
(S6)通过安全性评估层评估所述治疗药物样品的安全性,所述安全性评估层通过模拟和预测药物在体内的作用和代谢评估药物的安全性。
作为本发明进一步的技术方案,所述质谱分析方式基于化合物的质量电荷比进行分析,并通过化合物分子离子化将化合物分子引入质谱仪中进行分析,所述质谱仪通过分离化合物分子离子将离子转化为电信号,生成质谱图,所述质谱图通过化合物的分子离子峰、碎片离子峰和相对丰度确定化合物的分子式、结构和组成信息。
积极有益效果:
本发明公开了一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,能够基于肠癌类器官及移植瘤小鼠模型识别新的药物及其作用机制,为肠癌治疗提供更好的选择;通过综合评估模块对所筛选出的治疗药物样品进行全面评估,包括代谢评估单元、安全性评估单元和药效评估单元。通过体外诱导肿瘤细胞形成瘤组织移植至小鼠体内形成肠癌类器官和移植瘤,同时利用基因编辑提高小鼠对肠癌的易感性,从而模拟人体肠癌的发展过程,提高了药物筛选的准确性。通过使用质谱分析和差异聚类分析算法模型等工具对肿瘤内细胞和分子水平变化进行分析和验证,可以观察药物样品对特定靶标的影响和作用机制,从而初步筛选出对肠癌具有治疗作用的药物样品。通过分子模拟自适应优化算法确定最优给药方式、给药剂量和药物疗效,并分析药物的药效学特性和机制,从而确定药物的适用范围和安全性。
附图说明
图1为本发明一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法的整体流程示意图;
图2为本发明一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法中免疫基因组化检测的模块图;
图3为本发明一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法中获取药物样品的流程图;
图4为本发明一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法中综合评估模块的模块示意图;
图5为本发明一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法中分子模拟自适应优化算法的流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-图5所示,一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,包括:
实施例1
一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,包括以下步骤:
步骤一、构建肠癌类器官和免疫缺陷型小鼠,通过体外培养手术组织或恶性积液构建所述肠癌类器官,以用做移植材料,并采用基因编辑对小鼠基因进行改造,获得免疫缺陷型小鼠,以提高小鼠对肠癌的易感性,所述肠癌类器官保留来源肿瘤组织的分子和表型特征;
步骤二、收集和移植肠癌类器官,所述肠癌类器官形成并长势良好的情况下,通过移液管从培养板中进行收集,并去除基质胶后在离心管中用培养基重悬备用,所述肠癌类器官通过注射方式注射入所述免疫缺陷型小鼠的皮下,植入后1-4个月所述肠癌类器官在所述免疫缺陷型小鼠的体内形成肿瘤,开始治疗前肿瘤生长到200mm3,完成构建肠癌类器官及类器官移植瘤小鼠模型;
步骤三、对所述肠癌类器官及类器官移植瘤小鼠模型进行基线评估和药物处理,所述肠癌类器官及类器官移植瘤小鼠模型通过免疫基因组化检测对开始药物作用之前的状态参数进行基线评估,并将基线评估结果作为所述肠癌类器官药物作用的起点数据,所述肠癌类器官及类器官移植瘤小鼠模型根据药物方案对进行药物处理,所述药物方案至少包括伊立替康、奥沙利铂和卡培他滨;
步骤四、初步筛选药物样品并验证,所述肠癌类器官及移植瘤小鼠模型通过质谱分析方式和差异评估分析算法模型对肿瘤内细胞和分子水平变化进行分析和验证,以观察药物样品对特定靶标的影响和作用机制,并根据分析和验证结果初步筛选肠癌的治疗药物样品;
步骤五、综合评估和筛选,所述肠癌类器官及类器官移植瘤小鼠模型通过综合评估模块对治疗药物样品作用后肿瘤的状态参数进行评估,并基于综合评估结果对所述治疗药物样品进行进一步筛选;
步骤六、药物样品优化和选择,通过分子模拟自适应优化算法确定所述治疗药物样品的最优给药方式、给药剂量和药物疗效,以确定所述治疗药物样品的适用范围和安全性。
在具体实施例中,采用伊立替康、奥沙利铂、卡培他滨和维生素C作为药物样本案例进行实验,采用500只小鼠随机分为10组,每组小鼠数量相等,实验组包括8组治疗药物样品组、1组对照组和1组空白对照组,治疗药物样品组分别注射适当剂量伊立替康、奥沙利铂和卡培他滨,并采用维生素C溶液作为对照,空白对照组不注射任何溶剂和药物样品。在实验过程中,确保小鼠不会受到有害影响,以证明本方法的有效性。采用ANOVA或t检验等方法进行统计学分析,记录肿瘤的大小变化平均值如表1所示。
表1实验结果(单位/mm3)
由表1可知,注射伊立替康、奥沙利铂、卡培他滨的治疗药物样品组显著抑制了肠癌类器官和移植瘤的生长,并且采用本方法可以很好的模拟肠癌的发展和治疗,证明该方法的有效性。
实施例2
一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,包括以下步骤:
步骤一、构建肠癌类器官和免疫缺陷型小鼠,通过体外培养手术组织或恶性积液构建所述肠癌类器官,以用做移植材料,并采用基因编辑对小鼠基因进行改造,获得免疫缺陷型小鼠,以提高小鼠对肠癌的易感性,所述肠癌类器官保留来源肿瘤组织的分子和表型特征;
步骤二、收集和移植肠癌类器官,所述肠癌类器官形成并长势良好的情况下,通过移液管从培养板中进行收集,并去除基质胶后在离心管中用培养基重悬备用,所述肠癌类器官通过注射方式注射入所述免疫缺陷型小鼠的皮下,植入后1-4个月所述肠癌类器官在所述免疫缺陷型小鼠的体内形成肿瘤,开始治疗前肿瘤生长到500 mm3,完成构建肠癌类器官及类器官移植瘤小鼠模型;
步骤三、对所述肠癌类器官及类器官移植瘤小鼠模型进行基线评估和药物处理,所述肠癌类器官及类器官移植瘤小鼠模型通过免疫基因组化检测对开始药物作用之前的状态参数进行基线评估,并将基线评估结果作为所述肠癌类器官药物作用的起点数据,所述肠癌类器官及类器官移植瘤小鼠模型根据药物方案对进行药物处理,所述药物方案至少包括伊立替康、奥沙利铂和卡培他滨;
步骤四、初步筛选药物样品并验证,所述肠癌类器官及移植瘤小鼠模型通过质谱分析方式和差异评估分析算法模型对肿瘤内细胞和分子水平变化进行分析和验证,以观察药物样品对特定靶标的影响和作用机制,并根据分析和验证结果初步筛选肠癌的治疗药物样品;
步骤五、综合评估和筛选,所述肠癌类器官及类器官移植瘤小鼠模型通过综合评估模块对治疗药物样品作用后肿瘤的状态参数进行评估,并基于综合评估结果对所述治疗药物样品进行进一步筛选;
步骤六、药物样品优化和选择,通过分子模拟自适应优化算法确定所述治疗药物样品的最优给药方式、给药剂量和药物疗效,以确定所述治疗药物样品的适用范围和安全性。
在具体实施例中,采用伊立替康、奥沙利铂、卡培他滨和维生素C作为药物样本案例进行实验,采用500只小鼠随机分为10组,每组小鼠数量相等,实验组包括8组治疗药物样品组、1组对照组和1组空白对照组,治疗药物样品组分别注射适当剂量伊立替康、奥沙利铂和卡培他滨,并采用维生素C溶液作为对照,空白对照组不注射任何溶剂和药物样品。在实验过程中,确保小鼠不会受到有害影响,以证明本方法的有效性。采用ANOVA或t检验等方法进行统计学分析,记录肿瘤的大小变化平均值如表2所示。
表2实验结果(单位/mm3)
由表2可知,注射伊立替康、奥沙利铂、卡培他滨的治疗药物样品组显著抑制了肠癌类器官和移植瘤的生长,并且采用本方法可以很好的模拟肠癌的发展和治疗,证明该方法的有效性。
在具体实施例中,本发明公开一种基于肠癌类器官移植瘤小鼠模型的药物筛选方法。首先在体外培养条件下构建肠癌类器官,用做移植材料。类器官构建成功后注射入免疫缺陷型小鼠皮下,进而在小鼠体内形成肿瘤并用于后续实验。类器官保留了来源肿瘤组织的分子和表型特征,移植小鼠可进一步为类器官提供一个体内环境,两者结合可形成一个更加真实的体内肿瘤模型。基于本发明中的方法,可以帮助促进肿瘤及类器官研究的发展。
在上述实施例中,所述步骤一中手术组织的体外培养方法为:接收肠癌样本后,在生物安全柜内弃去样本管中所述手术组织的保存液,再用清洗液对所述手术组织进行多次清洗,弃去清洗液,然后将所述手术组织的样本转移至无菌EP管中,用无菌手术剪和镊子剪切所述手术组织至肉糜状,将剪碎的所述手术组织转移至离心管中,加组织消化液混匀,放置于37℃水浴锅中振荡消化,消化完成后加入终止液终止消化并过滤,滤液在低温离心机中离心,弃上清留下沉淀,根据沉淀体积用适量的培养基进行重悬,取等体积的细胞悬液和台盼蓝溶液按1:1充分混匀后计数,根据细胞计数结果进行接种培养。
在上述实施例中,所述步骤一中恶性积液的体外培养方法为:在生物安全柜内将所述恶性积液分装至离心管内,低温离心机离心,弃上清,用清洗液重悬沉淀并混合过滤,离心,弃上清留下细胞沉淀,根据沉淀体积用培养基重悬,取细胞悬液和台盼蓝溶液按1:1充分混匀后计数,根据细胞计数结果进行接种培养。
在上述实施例中,所述步骤二中移植肠癌类器官的方法为:在通风橱中将所述免疫缺陷小鼠用乙醚进行麻醉,并确认麻醉成功,搅拌类器官悬浮液,以防止类器官沉降,将针头从无菌管中取出,装入注射器中,提起所述免疫缺陷小鼠的皮肤与皮下肌肉分离,将所述肠癌类器官的注射液经皮下注射至所述免疫缺陷小鼠的体内,操作结束后,将移植小鼠置于干净的笼子中观察10-15分钟,以确保麻醉恢复。
在具体实施例中,由于肠癌细胞常常以低浓度形式存在于人体中,因此需要首先从肠癌组织或细胞系中获取肠癌细胞株,并进行体外培养和扩增,以获得足够数量的细胞用于移植。移植肿瘤细胞时,可采用皮下注射、腹腔注射或静脉注射等方法,将肠癌细胞或3D结构培养的肿瘤细胞移植到小鼠体内形成瘤组织。为提高小鼠对肠癌的易感性,可通过基因编辑、转染或转基因等方法对小鼠基因进行改造,从而增强肠癌细胞的植入和生长能力。为反映肠癌的基因特征和药物反应性,在进行基因编辑时,应根据肠癌的遗传学和分子机制选择靶向关键癌基因或信号通路进行编辑,从而形成具有代表性的肠癌模型。在小鼠模型建立后,可以观察肿瘤生长和评价药物疗效。可以采用肿瘤体积、生长速率、生长特性和病理形态等指标来评价药物的治疗效果,从而为肠癌的药物筛选提供可靠的依据。
总之,肠癌类器官及类器官移植瘤小鼠模型的制备需要多学科和多技术的参与,从肠癌细胞的培养、基因编辑到小鼠模型的建立和药效评价等多个环节需要谨慎操作,以获得可靠的实验结果和推广价值。
在上述实施例中,所述免疫基因组化检测通过染色反应显示目标蛋白质的位置和表达水平,所述免疫基因组化检测包括样品制备单元、抗原修复单元、抗体染色单元和显色镜检单元,所述样品制备单元通过将组织切片固定在载玻片进行脱水、透明化和石蜡包埋处理,完成样品制备,所述抗原修复单元通过高温、高压、酸性或酶解方式恢复组织中的蛋白质原位结构实现抗体的识别,所述抗体染色单元通过荧光标记或酶标记的二抗将特异性抗体与目标蛋白质结合,所述显色镜检单元通过荧光显微镜或光学显微镜将染色反应产物显示出来,以便观察和记录目标蛋白质在组织或细胞中的位置和表达水平,所述样品制备单元、抗原修复单元、抗体染色单元和显色镜检单元通过管道、阀门和泵进行连接,以形成完整的免疫基因组化检测系统,所述样品制备单元的输出端与所述抗原修复单元的输入端连接,所述抗原修复单元的输出端与所述抗体染色单元的输入端连接,所述抗体染色单元的输出端与所述显色镜检单元的输入端连接。
在具体实施例中,免疫基因组化检测是一种用特异性抗体检测组织或细胞中特定蛋白质表达的技术。这种技术通常分为样品制备、抗原修复、抗体染色以及显色镜检等步骤,因此,描述中提及了样品制备单元、抗原修复单元、抗体染色单元以及显色镜检单元。具体来说,样品制备单元是将组织切片固定在载玻片上,并进行脱水、透明化和石蜡包埋等处理,以便进行后续的抗原修复和抗体染色。抗原修复单元是为了恢复组织中的蛋白质原位结构,以使得抗体能够顺利地与目标蛋白质结合。这个过程通常是使用高温、高压、酸性或酶解等方法进行的。抗体染色单元的主要目的是使用荧光标记或酶标记的二抗将特异性抗体与目标蛋白质结合。荧光标记的二抗经过激光激发后可以发出荧光信号,而酶标记的二抗可以通过染色反应产生颜色信号。显色镜检单元通过荧光显微镜或光学显微镜将染色反应产物显示出来,以便观察和记录目标蛋白质在组织或细胞中的位置和表达水平。
最后,描述中提到了样品制备单元、抗原修复单元、抗体染色单元以及显色镜检单元的连接顺序。这些单元通过管道或其他连接器件连接起来,形成一个完整的免疫基因组化检测系统,可以进行高效、准确的检测。
在上述实施例中,所述步骤二中的获取所述药物样品包括以下步骤:
步骤1、选择需要测试的药物样品,所述药物样品至少包括一种对肿瘤产生的影响和治疗作用的化合物、天然产物或化学物理样品;
步骤2、准备所述药物样品,根据所述药物样品的性质和用途选择溶剂或载体对所述药物样品进行溶解或悬浮,以制备所述药物样品的注射溶液或悬浮液;
步骤3、注射所述药物样品,将生长状态相似的小鼠随机分为不同的实验组,每个实验组的小鼠数量相同,每个实验组小鼠注射不同的所述药物样品,定时观察小鼠的瘤组织的生长情况和形态特征。
在具体实施例中,对于药物的研究和评估,通常会使用肠癌类器官和移植瘤小鼠模型来进行观察和实验。以下是一般的步骤:
制备肠癌类器官和移植瘤小鼠模型:使用人源的肠癌细胞株,将其注射到小鼠体内,诱导形成瘤组织。
确定治疗组和对照组:根据实验设计,将小鼠分为不同的治疗组和对照组,确保每个组的初始条件相似。
给药方式:根据实验需求,可以选择不同的给药方式,例如经口(口服)、皮下注射、静脉注射等。
药物浓度和剂量:根据实验设计,设定不同的药物浓度和剂量,以便观察药物对肠癌类器官和移植瘤的影响。通常会设置多个浓度或剂量,以获得更全面的数据。
观察和记录:给药后,定期观察和记录瘤组织的生长情况、体积变化以及其他相关指标,如细胞凋亡、增殖指标等。
数据分析:收集实验结果后,进行数据分析,评估药物对肠癌类器官和移植瘤的影响,并得出结论。
在上述实施例中,所述差异评估分析算法模型采用所述基线评估结果作为初始化差异评价标准参数,以分析肿瘤内细胞和分子水平变化的相关性,当肿瘤内细胞和分子水平数据与初始化差异评价标准参数存在差异时,输出差异数据模型为:
(1)
在公式(1)中,表示所述药物样品的作用过程中肿瘤内细胞和分子水平变化输出函数,/>为肿瘤内细胞和分子水平变化的概率数,/>为配电所述药物样品的作用过程中肿瘤的实时状态参数数据,/>为所述药物样品的作用过程中输出数据的校准差值,/>;为了提高肿瘤内细胞和分子水平变化评估的精准度,通过计算极值的方式提高数据评估精确性,输出函数为:/>
(2)
在公式(2)中,表示所述药物样品的作用过程中肿瘤状态参数数据输出极限值,sup表示所述药物样品的作用过程中肿瘤状态参数可接受变化幅度范围,/>为所述药物样品的作用过程中的肿瘤状态变化相关系数函数,/>,/>表示肿瘤状态变化相关系数的函数特性,/>表示所述药物样品的作用过程中肿瘤状态的变量,根据肿瘤状态变化相关系数的函数特性,所述药物样品的作用过程中肿瘤状态参数可接受变化值函数公式为:
(3)
在公式(3)中,表示可接受变化值计量变化函数,/>表示所述药物样品的作用过程中肿瘤状态输出的总计量数据,/>表示所述药物样品的作用过程中肿瘤状态的第i个实际变量,/>表示所述药物样品的作用过程中所产生的自身损耗变量;根据公式(3)计算结果重新确定所述药物样品的作用过程中的标准参数,并根据标准参数计算肿瘤内细胞和分子水平变化的相关性,所述药物样品的作用过程中肿瘤状态变化幅度的函数公式为:
(4)
在公式(4)中,为所述药物样品的作用过程中肿瘤的可计量变化幅度,E为所述药物样品的作用过程中肿瘤的期望变化幅度,/>表示所述药物样品的作用过程中肿瘤状态的实际变量平均值,肿瘤内细胞和分子水平变化的相关性输出函数为:
(5)
在公式(5)中,为肿瘤内细胞和分子水平变化的相关性函数。
在具体实施例中,在肠癌类器官及移植瘤小鼠模型中,差异评估分析算法模型能够帮助我们探究药物样品对肿瘤细胞和分子水平的影响和作用机制,从而初步筛选肠癌的治疗药物样品。首先采用基因芯片或RNA测序等技术获得肠癌类器官及移植瘤小鼠模型的基因表达谱和DNA甲基化、组蛋白修饰等信息。使用生物信息学软件对获得的数据进行分析和清洗。将肠癌类器官及移植瘤小鼠模型的基因表达谱和甲基化等数据与用于处理肿瘤的药物样品进行比较,筛选出差异表达的基因和改变的分子途径。通过注释和生物学功能分析,对筛选出的基因和分子途径进行深入研究。同时,关注靶标、途径、细胞因子网络等信息,探究药物样品的作用机制,找到其对肠癌治疗的关键点。所述差异评估分析算法模型工作的硬件环境主要包括以下几种:
计算设备:可以使用台式电脑、服务器或者云计算平台作为计算设备。对于规模较小的数据集和分析任务,普通的台式电脑或者笔记本电脑就可以完成;对于大规模数据集和复杂的分析任务,可以借助强大的服务器或者云计算平台进行高性能计算。
处理器(CPU):常见的多核心处理器(如Intel Core系列)已经能够满足大部分差异评估分析算法模型的需求。对于特别大规模的数据集和复杂的分析任务,可以考虑使用服务器级的多核心处理器(如Intel Xeon系列)或者图形处理器(GPU)加速计算。
内存(RAM):较大的内存容量有助于处理大规模数据集,避免因内存不足导致计算过程中的中断或者延迟。一般来说,至少8GB的内存可以满足大部分差异评估分析算法模型的需求,但对于特别大规模的数据集,可能需要更大的内存容量。
存储空间:用于存储原始数据、中间结果和计算结果的硬盘或者固态硬盘(SSD)。存储空间的大小取决于数据集的规模和实验设计,建议具备足够的存储空间来满足数据管理和存储的需求。
软件环境:差异评估分析算法模型通常依赖于统计学分析软件(如R、Python等)和相关的生物信息学工具包(如DESeq2、edgeR、limma等)。确保所选用的软件版本兼容,并根据实际需求安装和配置所需的软件和库文件。
为了验证本算法的有效性和精准度,选择利用电脑仿真技术建立模拟,其中计算机的硬件配置CPU为Inter Core i7-9700H,运行内存为3200MHz 8×2GB,硬盘大小为1TB。本仿真实验首先要对于算法模型进行可行性的实验,拟设置在相同的时间下,本系统将与基于因子分析法(对比1)与层次分析法(对比2)进行对比,采用三种方法处理相同肿瘤内细胞和分子水平变化数据量大小,通过设置在100分钟时间内处理不同数据包数量,对比处理效率得到结果如表3所示。
表3系统处理数据量效率表
使用本算法时的系统处理数据效率很高,在实验开始时就高达95.01%,随着时间推移至100min处理100GB数据时仍然保持着93.56%的处理效率。而另外基于因子分析法(对比1)与层次分析法(对比2)中的处理系统随着时间和数据量的变化,处理效率在逐渐降低,稳定性较差。
所述肠癌类器官及移植瘤小鼠模型通过质谱分析方式和差异评估分析算法模型对肿瘤内细胞和分子水平变化进行分析和验证,以观察药物样品对特定靶标的影响和作用机制,并根据分析和验证结果初步筛选肠癌的治疗药物样品,下面对于差异评估分析算法模型对肿瘤内细胞和分子水平变化分析和验证能力进行检测,设置一个标准的评价误差可接受值,通过对于模拟对肿瘤内细胞和分子水平变化分析和验证误差对比进行能力的比较,假设误差可接受值为3%~7.5%,设置六组对比数值,算法误差率对比表如表4所示:
表4算法误差率对比表
通过表4可以看出,本文算法的误差率一直低于可接受误差,且具有很强的稳定性。
在上述实施例中,所述综合评估模块通过体外测试和体内动物实验评估治疗药物样品对肿瘤生长的抑制能力和对肿瘤元件的影响,实现所述治疗药物样品的筛选;所述体外测试和体内动物实验采用肠道镜检查、组织病理学检查、聚合酶链式反应、质谱分析和免疫荧光染色对肠癌类器官及移植瘤小鼠模型进行综合评估。
在具体实施例中,代谢评估单元通过体内药物代谢动力学研究,评估所述治疗药物样品在小鼠体内的吸收、分布、代谢和排泄的速率和浓度。安全性评估单元通过体内毒性和副作用研究,评估治疗药物样品对小鼠体内器官和系统的毒性和副作用。药效评估单元通过体内肿瘤生长模型的建立,评估药物对肿瘤生长的抑制和有效性。综合评估将代谢评估单元、安全性评估单元和药效评估单元的评估结果进行综合分析,综合评估所述治疗药物样品对肿瘤生长的抑制能力和对肿瘤元件的影响。体外测试和体内动物实验通过肠道镜检查、组织病理学检查、分子生物学、蛋白质组学、代谢组学和细胞功能检测方法对肠癌类器官及移植瘤小鼠模型进行综合评估。
通过以上步骤,可以对治疗药物样品进行进一步筛选,筛选出对肠癌有良好治疗效果的药物样品。同时,体外测试和体内动物实验可以提供多种信息,包括药物代谢动力学、毒性和副作用、肿瘤生长抑制和有效性等多方面的数据,为新药的研制提供全面的参考依据。
在上述实施例中,所述分子模拟自适应优化算法包括治疗药物样品分子建模层、分子模拟层、自适应搜索层、优化算法层、药物动力学和药效学层和安全性评估层,所述分子模拟自适应优化算法确定所述治疗药物样品的最优给药方式、给药剂量和药物疗效的工作步骤包括:
(S1)通过治疗药物样品分子建模层建立最优给药方式、给药剂量和药物疗效的数学模型,所述治疗药物样品分子建模层根据所述治疗药物样品的分子结构与特性进行建模;
(S2)通过分子模拟层对所述治疗药物样品进行分子模拟,所述分子模拟层基于建立的数学模型模拟所述治疗药物样品在不同剂量和给药方式下的体内传输、分布和代谢情况;
(S3)通过自适应搜索层搜索最佳的给药方式、给药剂量和药物疗效,所述自适应搜索层根据设定的目标函数和约束条件进行迭代和搜索,以获取最优解;
(S4)通过优化算法层对模拟结果进行优化,以确定最优的给药方式和剂量;
(S5)通过药物动力学和药效学层模拟所述治疗药物样品在体内的吸收、分布、代谢和排泄过程,以及药物与靶标分子的相互作用机制,所述药物动力学和药效学层通过建立药物动力学和药效学模型评估所述治疗药物样品的疗效和安全性,并预测不同给药方式和剂量对治疗效果的影响;
(S6)通过安全性评估层评估所述治疗药物样品的安全性,所述安全性评估层通过模拟和预测药物在体内的作用和代谢评估药物的安全性。
在具体实施例中,分子模拟自适应优化算法是一种基于计算机模拟的药物研发方法,可以用于确定药物的最优给药方式、给药剂量和药物疗效等参数。首先需要建立药物分子的三维结构模型,并确定其化学性质和物理性质等参数。通过分子对接模拟等方法,确定药物分子与受体分子之间的相互作用方式和强度。通过药物代谢模拟等方法,确定药物在体内的代谢途径和代谢产物。根据药物代谢途径和药物-受体相互作用等参数,确定药物的最优给药方式和剂量。通过药物疗效模拟等方法,评估药物的疗效和副作用等参数。根据评估结果,对药物的给药方式、剂量和疗效等参数进行自适应优化,以达到最优化的治疗效果。
通过以上流程,分子模拟自适应优化算法可以帮助研究人员快速确定药物的最优给药方式、剂量和疗效等参数,从而提高药物研发的效率和成功率。
在上述实施例中,所述质谱分析方式基于化合物的质量电荷比进行分析,并通过化合物分子离子化将化合物分子引入质谱仪中进行分析,所述质谱仪通过分离化合物分子离子将离子转化为电信号,生成质谱图,所述质谱图通过化合物的分子离子峰、碎片离子峰和相对丰度确定化合物的分子式、结构和组成信息。
在具体实施例中,质谱分析是一种高灵敏度、高分辨率的分析技术,可以对肿瘤内代谢物、蛋白质、脂质等分子进行定量和定性分析。在肠癌类器官及移植瘤小鼠模型中,可以采用质谱分析技术对肿瘤组织和正常组织的代谢物、蛋白质、脂质等分子进行分析,找出差异表达的分子,进而确定可能的治疗靶点和药物样品。可以采用液相色谱-质谱联用技术(LC-MS)对肿瘤组织和正常组织的代谢物进行分析,找出差异表达的代谢物,进而确定可能的治疗靶点和药物样品。同时,可以采用蛋白质组学技术对肿瘤组织和正常组织的蛋白质进行分析,找出差异表达的蛋白质,进一步验证差异表达的基因或蛋白质的生物学功能和作用机制。首先对肠癌类器官及移植瘤小鼠模型内的组织、细胞、代谢物等进行样品制备,包括样品提取、蛋白质沉淀、色谱分离等。然后采用高分辨质谱进行分析,包括质谱成像、代谢组学、蛋白组学等技术,探究肠癌类器官及移植瘤小鼠模型内代谢物、蛋白质的变化和药物的作用机制。最后通过比较药物样品前后样品的代谢产物、蛋白质和代谢途径的差异,筛选出对肠癌具有治疗效果的药物样品,并探究其作用机制和靶标。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (8)
1.一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,其特征在于:包括以下步骤:
步骤一、构建肠癌类器官和免疫缺陷型小鼠,通过体外培养手术组织或恶性积液构建所述肠癌类器官,以用做移植材料,并采用基因编辑对小鼠基因进行改造,获得免疫缺陷型小鼠,以提高小鼠对肠癌的易感性,所述肠癌类器官保留来源肿瘤组织的分子和表型特征;
步骤二、收集和移植肠癌类器官,所述肠癌类器官形成并长势良好的情况下,通过移液管从培养板中进行收集,并去除基质胶后在离心管中用培养基重悬备用,所述肠癌类器官通过注射方式注射入所述免疫缺陷型小鼠的皮下,植入后1-4个月所述肠癌类器官在所述免疫缺陷型小鼠的体内形成肿瘤,开始治疗前肿瘤生长到200-500 mm3,完成构建肠癌类器官及类器官移植瘤小鼠模型;
步骤三、对所述肠癌类器官及类器官移植瘤小鼠模型进行基线评估和药物处理,所述肠癌类器官及类器官移植瘤小鼠模型通过免疫基因组化检测对开始药物作用之前的状态参数进行基线评估,并将基线评估结果作为所述肠癌类器官药物作用的起点数据,所述肠癌类器官及类器官移植瘤小鼠模型根据药物方案对进行药物处理,所述药物方案至少包括伊立替康、奥沙利铂和卡培他滨;
步骤四、初步筛选药物样品并验证,所述肠癌类器官及移植瘤小鼠模型通过质谱分析方式和差异评估分析算法模型对肿瘤内细胞和分子水平变化进行分析和验证,以观察药物样品对特定靶标的影响和作用机制,并根据分析和验证结果初步筛选肠癌的治疗药物样品;
步骤五、综合评估和筛选,所述肠癌类器官及类器官移植瘤小鼠模型通过综合评估模块对治疗药物样品作用后肿瘤的状态参数进行评估,并基于综合评估结果对所述治疗药物样品进行进一步筛选;
步骤六、药物样品优化和选择,通过分子模拟自适应优化算法确定所述治疗药物样品的最优给药方式、给药剂量和药物疗效,以确定所述治疗药物样品的适用范围和安全性;
所述差异评估分析算法模型采用所述基线评估结果作为初始化差异评价标准参数,以分析肿瘤内细胞和分子水平变化的相关性,当肿瘤内细胞和分子水平数据与初始化差异评价标准参数存在差异时,输出差异数据模型为:
(1)
在公式(1)中,表示所述药物样品的作用过程中肿瘤内细胞和分子水平变化输出函数,/>为肿瘤内细胞和分子水平变化的概率数,/>为配电所述药物样品的作用过程中肿瘤的实时状态参数数据,/>为所述药物样品的作用过程中输出数据的校准差值,;为了提高肿瘤内细胞和分子水平变化评估的精准度,通过计算极值的方式提高数据评估精确性,输出函数为:
(2)
在公式(2)中,表示所述药物样品的作用过程中肿瘤状态参数数据输出极限值,sup表示所述药物样品的作用过程中肿瘤状态参数可接受变化幅度范围,/>为所述药物样品的作用过程中的肿瘤状态变化相关系数函数,/>,/>表示肿瘤状态变化相关系数的函数特性,/>表示所述药物样品的作用过程中肿瘤状态的变量,根据肿瘤状态变化相关系数的函数特性,所述药物样品的作用过程中肿瘤状态参数可接受变化值函数公式为:
(3)
在公式(3)中,表示可接受变化值计量变化函数,/>表示所述药物样品的作用过程中肿瘤状态输出的总计量数据,/>表示所述药物样品的作用过程中肿瘤状态的第i个实际变量,/>表示所述药物样品的作用过程中所产生的自身损耗变量;根据公式(3)计算结果重新确定所述药物样品的作用过程中的标准参数,并根据标准参数计算肿瘤内细胞和分子水平变化的相关性,所述药物样品的作用过程中肿瘤状态变化幅度的函数公式为:
(4)
在公式(4)中,为所述药物样品的作用过程中肿瘤的可计量变化幅度,E为所述药物样品的作用过程中肿瘤的期望变化幅度,/>表示所述药物样品的作用过程中肿瘤状态的实际变量平均值,肿瘤内细胞和分子水平变化的相关性输出函数为:
(5)
在公式(5)中,为肿瘤内细胞和分子水平变化的相关性函数;
所述分子模拟自适应优化算法包括治疗药物样品分子建模层、分子模拟层、自适应搜索层、优化算法层、药物动力学和药效学层和安全性评估层,所述分子模拟自适应优化算法确定所述治疗药物样品的最优给药方式、给药剂量和药物疗效的工作步骤包括:
(S1)通过治疗药物样品分子建模层建立最优给药方式、给药剂量和药物疗效的数学模型,所述治疗药物样品分子建模层根据所述治疗药物样品的分子结构与特性进行建模;
(S2)通过分子模拟层对所述治疗药物样品进行分子模拟,所述分子模拟层基于建立的数学模型模拟所述治疗药物样品在不同剂量和给药方式下的体内传输、分布和代谢情况;
(S3)通过自适应搜索层搜索最佳的给药方式、给药剂量和药物疗效,所述自适应搜索层根据设定的目标函数和约束条件进行迭代和搜索,以获取最优解;
(S4)通过优化算法层对模拟结果进行优化,以确定最优的给药方式和剂量;
(S5)通过药物动力学和药效学层模拟所述治疗药物样品在体内的吸收、分布、代谢和排泄过程,以及药物与靶标分子的相互作用机制,所述药物动力学和药效学层通过建立药物动力学和药效学模型评估所述治疗药物样品的疗效和安全性,并预测不同给药方式和剂量对治疗效果的影响;
(S6)通过安全性评估层评估所述治疗药物样品的安全性,所述安全性评估层通过模拟和预测药物在体内的作用和代谢评估药物的安全性。
2.根据权利要求1所述的一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,其特征在于:所述步骤一中手术组织的体外培养方法为:接收肠癌样本后,在生物安全柜内弃去样本管中所述手术组织的保存液,再用清洗液对所述手术组织进行多次清洗,弃去清洗液,然后将所述手术组织的样本转移至无菌EP管中,用无菌手术剪和镊子剪切所述手术组织至肉糜状,将剪碎的所述手术组织转移至离心管中,加组织消化液混匀,放置于37℃水浴锅中振荡消化,消化完成后加入终止液终止消化并过滤,滤液在低温离心机中离心,弃上清留下沉淀,根据沉淀体积用适量的培养基进行重悬,取等体积的细胞悬液和台盼蓝溶液按1:1充分混匀后计数,根据细胞计数结果进行接种培养。
3.根据权利要求1所述的一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,其特征在于:所述步骤一中恶性积液的体外培养方法为:在生物安全柜内将所述恶性积液分装至离心管内,低温离心机离心,弃上清,用清洗液重悬沉淀并混合过滤,离心,弃上清留下细胞沉淀,根据沉淀体积用培养基重悬,取细胞悬液和台盼蓝溶液按1:1充分混匀后计数,根据细胞计数结果进行接种培养。
4.根据权利要求1所述的一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,其特征在于:所述步骤二中移植肠癌类器官的方法为:在通风橱中将免疫缺陷小鼠用乙醚进行麻醉,并确认麻醉成功,搅拌类器官悬浮液,以防止类器官沉降,将针头从无菌管中取出,装入注射器中,提起所述免疫缺陷小鼠的皮肤与皮下肌肉分离,将所述肠癌类器官的注射液经皮下注射至所述免疫缺陷小鼠的体内,操作结束后,将移植小鼠置于干净的笼子中观察10-15分钟,以确保麻醉恢复。
5.根据权利要求1所述的一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,其特征在于:所述免疫基因组化检测通过染色反应显示目标蛋白质的位置和表达水平,所述免疫基因组化检测包括样品制备单元、抗原修复单元、抗体染色单元和显色镜检单元,所述样品制备单元通过将组织切片固定在载玻片进行脱水、透明化和石蜡包埋处理,完成样品制备,所述抗原修复单元通过高温、高压、酸性或酶解方式恢复组织中的蛋白质原位结构实现抗体的识别,所述抗体染色单元通过荧光标记或酶标记的二抗将特异性抗体与目标蛋白质结合,所述显色镜检单元通过荧光显微镜或光学显微镜将染色反应产物显示出来,以便观察和记录目标蛋白质在组织或细胞中的位置和表达水平,所述样品制备单元、抗原修复单元、抗体染色单元和显色镜检单元通过管道、阀门和泵进行连接,以形成完整的免疫基因组化检测系统,所述样品制备单元的输出端与所述抗原修复单元的输入端连接,所述抗原修复单元的输出端与所述抗体染色单元的输入端连接,所述抗体染色单元的输出端与所述显色镜检单元的输入端连接。
6.根据权利要求1所述的一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,其特征在于:所述步骤二中的获取所述药物样品包括以下步骤:
步骤1、选择需要测试的药物样品,所述药物样品至少包括一种对肿瘤产生的影响和治疗作用的化合物、天然产物或化学物理样品;
步骤2、准备所述药物样品,根据所述药物样品的性质和用途选择溶剂或载体对所述药物样品进行溶解或悬浮,以制备所述药物样品的注射溶液或悬浮液;
步骤3、注射所述药物样品,将生长状态相似的小鼠随机分为不同的实验组,每个实验组的小鼠数量相同,每个实验组小鼠注射相同剂量不同的所述药物样品,定时观察小鼠的瘤组织的生长情况和形态特征。
7.根据权利要求1所述的一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,其特征在于:所述综合评估模块通过体外测试和体内动物实验评估治疗药物样品对肿瘤生长的抑制能力和对肿瘤元件的影响,实现所述治疗药物样品的筛选;所述体外测试和体内动物实验采用肠道镜检查、组织病理学检查、聚合酶链式反应、质谱分析和免疫荧光染色对肠癌类器官及移植瘤小鼠模型进行综合评估。
8.根据权利要求1所述的一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法,其特征在于:所述质谱分析方式基于化合物的质量电荷比进行分析,并通过化合物分子离子化将化合物分子引入质谱仪中进行分析,所述质谱仪通过分离化合物分子离子将离子转化为电信号,生成质谱图,所述质谱图通过化合物的分子离子峰、碎片离子峰和相对丰度确定化合物的分子式、结构和组成信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123387.3A CN117647639B (zh) | 2024-01-30 | 2024-01-30 | 一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123387.3A CN117647639B (zh) | 2024-01-30 | 2024-01-30 | 一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117647639A CN117647639A (zh) | 2024-03-05 |
CN117647639B true CN117647639B (zh) | 2024-04-05 |
Family
ID=90043773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123387.3A Active CN117647639B (zh) | 2024-01-30 | 2024-01-30 | 一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117647639B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020154579A1 (en) * | 2019-01-24 | 2020-07-30 | University Of Cincinnati | Autologous tumor organoid and immune cell co-cultures and methods of use as predictive models for pancreatic cancer treatment |
CN112725279A (zh) * | 2020-12-31 | 2021-04-30 | 纳肽得(青岛)生物医药有限公司 | 一种基于肿瘤类器官模型的药敏检测和标准建立方法以及微流控芯片结构的应用 |
CN116138216A (zh) * | 2022-12-12 | 2023-05-23 | 复旦大学附属肿瘤医院 | 一种氟尿嘧啶原发耐药直肠癌类器官移植瘤小鼠模型的建立与应用 |
CN116875553A (zh) * | 2023-07-19 | 2023-10-13 | 首都医科大学 | 小鼠结直肠癌类器官及其制备方法和应用 |
CN117398481A (zh) * | 2023-11-28 | 2024-01-16 | 零壹人工智能科技研究院(南京)有限公司 | 一种基于乳腺癌类器官及类器官移植瘤小鼠模型的药物筛选方法 |
-
2024
- 2024-01-30 CN CN202410123387.3A patent/CN117647639B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020154579A1 (en) * | 2019-01-24 | 2020-07-30 | University Of Cincinnati | Autologous tumor organoid and immune cell co-cultures and methods of use as predictive models for pancreatic cancer treatment |
CN112725279A (zh) * | 2020-12-31 | 2021-04-30 | 纳肽得(青岛)生物医药有限公司 | 一种基于肿瘤类器官模型的药敏检测和标准建立方法以及微流控芯片结构的应用 |
CN116138216A (zh) * | 2022-12-12 | 2023-05-23 | 复旦大学附属肿瘤医院 | 一种氟尿嘧啶原发耐药直肠癌类器官移植瘤小鼠模型的建立与应用 |
CN116875553A (zh) * | 2023-07-19 | 2023-10-13 | 首都医科大学 | 小鼠结直肠癌类器官及其制备方法和应用 |
CN117398481A (zh) * | 2023-11-28 | 2024-01-16 | 零壹人工智能科技研究院(南京)有限公司 | 一种基于乳腺癌类器官及类器官移植瘤小鼠模型的药物筛选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117647639A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10867706B2 (en) | Multi-scale complex systems transdisciplinary analysis of response to therapy | |
Bergholtz et al. | Best practices for spatial profiling for breast cancer research with the GeoMx® digital spatial profiler | |
WO2016172722A1 (en) | Cancer neoepitopes | |
CN110556166A (zh) | 一种新的整合药理学方法及其在黄芪治疗乳腺癌中的应用 | |
WO2009132239A2 (en) | A network biology approach for identifying targets for combination therapies | |
De Sousa et al. | Microbial omics: applications in biotechnology | |
Wang et al. | Transbronchoscopic patient biopsy-derived xenografts as a preclinical model to explore chemorefractory-associated pathways and biomarkers for small-cell lung cancer | |
Kuswanto et al. | Highly multiplexed spatial profiling with CODEX: bioinformatic analysis and application in human disease | |
Meng et al. | The application of machine learning techniques in clinical drug therapy | |
Braakman et al. | Integrative analysis of genomics and proteomics data on clinical breast cancer tissue specimens extracted with acid guanidinium thiocyanate–phenol–chloroform | |
Lee et al. | Establishment of patient-derived pancreatic cancer organoids from endoscopic ultrasound-guided fine-needle aspiration biopsies | |
CN117647639B (zh) | 一种基于肠癌类器官及类器官移植瘤小鼠模型的药物筛选方法 | |
Sindelar | Genomics, other “OMIC” technologies, precision medicine, and additional biotechnology-related techniques | |
Garg et al. | Techniques for profiling the cellular immune response and their implications for interventional oncology | |
Strelnikov et al. | Variability of the DNA Backbone Geometry in DNA–Protein Complexes: Experimental Data Analysis | |
Zhao et al. | Methods, bioinformatics tools and databases in ecDNA research: An overview | |
Baranovskii | Exploring the Intersection of Multi-Omics and Machine Learning in Cancer Research | |
Xia et al. | Bringing precision oncology to cellular resolution with single-cell genomics | |
Balik et al. | Advanced cell culture techniques for cancer research | |
Aung et al. | Spatially informed gene signatures for response to immunotherapy in melanoma | |
Robb | Tumour evolution in a single patient | |
Noyes et al. | 4 Specimen Heterogeneity and Tissue Microdissection | |
Mezencev | The Future of Biomedical Science i | |
Hu et al. | Single-Cell Technologies for Cancer Therapy | |
Wærn | Identifying cell type-specific proliferation signatures in spatial transcriptomics data and inferring interactions driving tumour growth |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |