与手术、放化疗等传统肿瘤治疗手段不同，光动力疗法(Photodynamic Therapy, PDT)是一种利用特定波长的光激活光敏剂(Photosensitizers, PSs)以生成活性氧物质(Reactive Oxygen Species, ROS)、进而杀死肿瘤细胞的肿瘤治疗新方法，具有靶向性高、对机体损伤小、不易产生耐药性等优点。尽管光动力学疗法在包括肝细胞癌(Hepatocellular carcinoma, HCC)在内的实体瘤治疗中显示出良好的应用前景，但对其动态疗效的监测仍然极具挑战性。传统方法在无荧光标记的情况下难以高效、准确地测量细胞的动态变化。为解决这一问题，研究团队引入了深度学习技术。

    在前期发展金纳米探针、实现肿瘤放射动力/光动力高效治疗（Theranostics 2023, 13(3):1042-1058；ACS Nano 2020, 14, 8, 9532-9544; ZL2023117257708; ZL2022103736740; ZL20181011468.8; ZL201810410907.3）基础上，中国科学院遗传与发育生物学研究所降雨强研究组于近日在Pharmaceutics期刊线上发表了题为“Deep Learning Insights into the Dynamic Effects of Photodynamic Therapy on Cancer Cells”文章，展示了深度学习在理解光动力疗法对癌细胞动态影响中的巨大潜力。该研究展示了深度学习在癌症治疗研究中的重要应用前景，将为未来的精准医疗奠定了基础。

图1. 不同光动力治疗条件下细胞实例分割的情况

 

    该研究通过使用先进的实例分割算法Cellpose，对光动力疗法处理后的癌细胞进行可靠的形态学分析，并通过逻辑增长模型(Logistic Growth Model Analysis)预测细胞在光动力疗法后的行为。实验结果表明，光动力疗法处理后，癌细胞在形态和增殖能力方面发生了显著变化。模型验证进一步确认了这些发现的准确性。上述研究表明，利用深度学习工具可以从高维数据集中提取特定目标细胞形态的细微变化，进而揭示光动力疗法过程中细胞形态的复杂动态变化。这不仅有助于优化光动力疗法参数，还为个性化癌症治疗策略提供了可能。

图2. 不同光动力治疗条件下肿瘤细胞形态的动态变化定量分析

 

    降雨强研究组来自孟加拉国的博士留学生Md. Atiqur Rahman为该论文的第一作者。降雨强研究员和韩荣成副研究员为共同通讯作者。该研究得到了国家自然科学基金、中国科学院战略性先导项目等项目的资助。团队计划继续开发新方法，以评估更广泛的肿瘤细胞，并探索新型深度学习和人工智能模型以提高光动力疗法评估的效率和准确性。