循环肿瘤细胞（Circulating Tumor Cells，CTC）是原发肿瘤或肿瘤转移灶中分离释放出来的细胞，被认为是肿瘤的转移性前体细胞——由于CTC是来源于肿瘤组织的完整细胞，包含较为完整的癌细胞信息，因此可以通过CTC检测对癌症组织进行分析，近些年来CTC检测已经成为液体活检技术的重要组成部分。
(资料图片)
目前存在挑战的是：尚无法通过对CTC进行分析精准定位其来源于哪个癌症原发组织（如果可以通过CTC精准定位原发肿瘤位置，就可以提前采取干预措施，拦截癌症发展）。不过随着新技术的发展，这一挑战有望得到解决。
近期，来自厦门大学、上海交通大学、复旦大学、中国福建能源材料科学与技术创新实验室以及墨尔本大学的研究团队通过单细胞RNA测序技术（scRNA-seq）结合深度迁移学习模型，成功通过CTC分析实现对肿瘤的精准定位，在多种癌症追踪中准确率达100%！
尽管来自相同病灶的癌细胞具有相似的癌症特异性生物标志物，但是考虑到CTC有着不同的癌症来源，因此最终研究人员选择了迁移学习中比较常见的域适应（Domain Adaptation，DA），用以建议此次研究的模型（DA可以分析不同但是存在相似的目标域）。
本次研究在DA的基础上建立和开发了一种新的深度迁移学习方法，研究人员将其命名为CTC-Tracer。
CTC-Tracer的主要功能及其应用概览，其基于深度迁移学习算法，可以识别CTC（去除背景细胞）、进行病灶追踪以及进行基因标记识别。
CTC-Tracer可实现完整的CTC分析，包括对CTC进行鉴定和基因标记检测。大多数癌症患者的外周血样本中CTC的浓度非常低，每10ml中大约只有1～10个CTC，因此找到并区分出CTC十分重要。
CTC-Tracer通过深度学习将包括多达5746个外周血单核细胞，以及代表32种免疫表型的6483个血细胞数据录入到血细胞图谱中，经过深度学习后，其可以精准识别出血细胞类型和CTC，具同时可以检测CTC相关的基因标记，准确识别CTC并追踪CTC的病变来源。
CTC-Tracer可以准确区分CTC细胞以及血细胞
在所有的模型预测数据中，CTC-Tracer达到了约99%的平均准确度。随后研究人员使用了来自患者的8个标准的scRNA-seq数据集来对CTC-Tracer的病变追踪能力进行评估，研究结果显示：对CTC样本进行解析并追踪病变位置的准确度上，CTC-Tracer的平均准确率达到了95%，其中不同癌症的平均准确率如下：
黑色素瘤：平均准确率100%；
肝细胞癌：平均准确率100%；
前列腺癌：平均准确率95%；
乳腺癌：平均准确率92%。
CTC-Tracer可以精准分析CTC并将其映射到对应的原发性肿瘤图谱上，在多种癌症的病变追踪上达到了100%的准确度
除了可以对单个CTC进行检测外，CTC-Tracer还可以对由多个CTC或CTC和嗜中性粒细胞组成的CTC簇进行分析。
在乳腺癌患者和小鼠模型中的CTC簇进行分析的研究中显示，CTC-Tracer可以在归纳学习模式下获得较高的准确度，CTC簇的识别准确度仍可以达到100%。
CTC-Tracer在复杂数据集上的应用，仍旧可以精准分析CTC和CTC簇
研究人员表示，CTC-Tracer在分析来自不同平台的各种癌症类型的scRNA-seq 数据时均表现出了极高的效率和出色的准确度，这将有望推动液体活检技术在基础研究和临床研究的应用。
相信随着越来越多新技术的涌现以及技术的跨领域结合，未来我们将会有越来越多对抗癌症的方法，帮助癌症患者延长生存期，提高生活质量。
参考资料：
Guo, X., Lin, F., Yi, C. et al. Deep transfer learning enables lesion tracing of circulating tumor cells. Nat Commun 13, 7687 (2022).
作者：医世象 小新，转载请联系授权。
