Dynamic, single-cell monitoring of CAR T cell identity and activation with Raman spectroscopy
本研究介绍了一种结合表面增强拉曼光谱与机器学习的无标记单细胞监测方法，用于在供体来源模型和临床患者样本中动态追踪 CAR T 细胞的身份与激活状态，为当前的静态表型分析方法提供了一种快速的即时检测替代方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，人类的免疫系统就像一支训练有素的特种部队。有时，为了对抗癌症这样危险的敌人，医生需要为这些士兵升级一件高科技装备：一个被称为“嵌合抗原受体”（CAR）的“智能头盔”。这个头盔能让 T 细胞识别并摧毁那些它们原本会漏掉的癌细胞。但棘手的部分在于，一旦这些升级后的士兵被送回患者体内，医生就需要准确了解它们的行动情况。它们是在快速增殖吗？它们是否疲劳了？它们攻击的目标正确吗？目前，监测这些细胞就像是通过一张静止的照片来理解一部电影。你必须停止动作，将细胞取出，用发光的染料进行染色，然后在显微镜下观察。这种方式很慢，会改变细胞的状态，而且它只能告诉你那一秒钟细胞的样子，而不是它们此刻是如何运动或变化的。
科学家们一直在寻找一种方法，可以在不接触或不给细胞涂抹染料的情况下，实时观察这些活细胞。他们希望通过倾听细胞反射回来的光，来读取细胞的“氛围”。这就是拉曼光谱技术（Raman spectroscopy）发挥作用的地方。你可以把它想象成一个超灵敏的麦克风，通过监听细胞内部分子的微小振动来获取信息。每种分子都在以特定的频率振动，产生独特的“声音”或指纹。如果一个细胞正在忙于战斗，它的内部机制就会发生变化，它的“歌声”也会随之改变。挑战在于，这些振动极其微弱，就像飓风中的低语，如果没有特殊的设备，很难捕捉到它们。
在这项最新的研究中，斯坦福大学的研究人员构建了一个系统，充当了这些“细胞低语”的巨大放大器，使他们能够聆听活体 CAR T 细胞的工作过程。他们不仅仅是拍了一张快照，而是记录了细胞生化生活的“视频”。通过将这种放大的光传感技术与能够识别模式的智能计算机程序（机器学习）相结合，他们创造出了一种工具，可以在不使用任何标签或染料的情况下，精确识别细胞的类型及其正在进行的操作。他们将此技术应用于来自健康捐赠者的细胞，甚至应用于接受过 CAR T 疗法的真实患者的血液样本。结果表明，这种方法可以区分“休息中”的士兵和“活跃中”的士兵，甚至可以追踪细胞在与癌症战斗时随时间变化的轨迹。这对医生来说可能是一个游戏规则的改变者，提供了一种快速、无创的方法来监测这些强大的疗法，并确保每位患者都能安全有效地接受治疗。
论文的故事：聆听细胞歌唱
研究人员开发了一种巧妙的方法，利用被称为表面增强拉曼光谱（SERS）的技术来“聆听”活体 CAR T 细胞的分子振动。为了让这些微小的振动变得足够响亮，他们引入了微小的金纳米棒——可以把它们想象成微观的音叉——这些纳米棒会附着在细胞表面。这些纳米棒就像扩音器一样，将细胞自然振动的信号放大了数千倍。由于细胞是活着的，且金棒不需要任何化学标签或染料，因此在整个过程中，细胞保持着完全自然且不受伤害的状态。
团队首先在健康捐赠者的细胞上训练了他们的系统。他们创建了两组： “Mock”细胞（普通 T 细胞）和 “CAR”细胞（配备了智能头盔的工程化 T 细胞）。尽管这些细胞在普通显微镜下看起来几乎一模一样，但 SERS 系统却能听出区别。机器学习算法发现，CAR 细胞的“歌声”与 Mock 细胞略有不同，具体表现为蛋白质和芳香族分子的信号更强，而 Mock 细胞的“歌声”则更多地由核酸（DNA 和 RNA 的构建模块）主导。该系统的准确性令人惊讶，根据捐赠者的不同，它能以 81% 到 85% 的准确率正确识别工程化细胞。
真正的奇迹发生在观察细胞行动的过程中。研究人员将 CAR 细胞与癌细胞（一种名为 JeKo-1 的淋巴瘤细胞）混合，以触发攻击。随着 CAR 细胞发起进攻，团队每隔几分钟记录一次光谱，持续超过一小时。他们观察到细胞的“歌声”正在动态变化。随着细胞被激活，其蛋白质和芳香族部分的歌声变得更响亮，而核酸部分的歌声则变得更微弱。这种转变与科学家已知关于 T 细胞在战斗时如何变化的知识相吻合，但这是首次在不停止过程的情况下实时捕捉到这一现象。计算机模型能以约 95% 的准确率区分正在攻击的 CAR 细胞和处于休息状态的细胞，有效地追踪了整个激活过程。
他们还测试了另一种用于对抗不同类型癌症的 CAR T 细胞（GD2-CAR）。这类细胞具有略微不同的内部结构，导致它们即使在没有目标时也会更加活跃，这种现象被称为“常态信号传导”（tonic signaling）。SERS 系统也捕捉到了这一点，检测到了与线粒体（细胞的能量工厂）相关的额外信号，这符合这些细胞正在消耗更多能量的观点。该系统识别这些细胞的准确率约为 85%。
最后，团队通过测试四名已经接受过 CAR T 疗法的患者的血液样本，将这项技术带入了现实世界。他们分析了治疗前、治疗高峰期（第 7 天）以及后期（第 21 天）采集的血液。该系统能以约 84% 的准确率区分来自这些不同时间点的血液样本。更令人印象深刻的是，当他们从患者血液中分离出仅含 CAR 的细胞时，系统能以 86-88% 的准确率将其从其他细胞中识别出来。他们甚至创建了一个“拉曼评分”（Raman score），用于追踪混合血液样本中 CAR 特征的存在程度，该评分的变化趋势与标准实验室测试测得的实际 CAR 细胞数量一致。
这意味着什么
这篇论文表明，我们现在可以用比现有方法更快、更便宜、侵入性更低的方式来监测工程化免疫细胞。我们不再是拍摄一张静态照片，而是观看一部关于细胞生化状态的电影。作者强调，这种方法适用于不同类型的 CAR 细胞，并且可以追踪随时间的变化——从细胞在实验室制造的那一刻起，直到它们在患者体内与癌症战斗。虽然这项研究在这些特定测试中显示出了高准确度，但作者指出，由于人与人之间的个体差异可能会影响结果，仍需更多工作才能使其成为所有患者的标准工具。然而，这种无需接触即可检测细胞“声音”的能力，为使癌症治疗变得更安全、更有效开辟了令人兴奋的可能性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。