《Neurosurgery Clinics of North America》 2023年7月[ Jul;34(3):479-492.]刊载美国University of Nevada的Majid Khan , Chadwin Hanna , Matthew Findlay,等撰写的《对脑膜瘤建模:优化治疗方法Modeling Meningiomas: Optimizing Treatment Approach》（doi: 10.1016/j.nec.2023.02.014.）。

临床前脑膜瘤模型提供了一个测试肿瘤发展的分子机制和靶向治疗方案的环境，但历史上一直具有挑战性。很少建立啮齿类动物自发性肿瘤模型，但随着人工智能、影像组学和神经网络的发展，已经出现细胞培养和活体啮齿动物模型，以区分脑膜瘤的临床异质性。我们回顾了127项使用PRISMA指南方法的研究，包括实验室和动物研究，这些研究涉及临床前建模。我们的评估确定脑膜瘤临床前模型为疾病进展和针对特定肿瘤类型的有效化疗和放疗方法提供了有价值的分子见解。

临床要点

●目前的脑膜瘤模型包括体外细胞培养、异位动物侧腹模型、原位颅内动物模型和基因工程小鼠模型。

●临床前模型在将治疗结果转化为临床应用方面受到限制。

●最近对脑膜瘤驱动突变的更多了解和CRISPR/Cas9技术的进展可能允许更精细的临床前脑膜瘤模型。

●人工智能和影像组学可以帮助表征脑膜瘤，并提供非侵袭性方法来区分肿瘤。

引言

脑膜瘤系统性治疗的关键障碍之一是缺乏临床前模型。虽然脑膜瘤是最常见的脑和脊柱肿瘤之一，但没有系统性的药物来限制肿瘤的生长或选择性地靶向肿瘤细胞。最近，随着技术的进步，建立临床前模型的能力开始改变这一领域。培养的人脑膜瘤细胞已经成功地用于测试感兴趣的药物制剂，并且一些药物正在进行临床试验细胞培养技术存在一些缺点，即可获得的传代数有限，难以优化所需的特定培养基环境因此，使用异种移植人类细胞系或基因工程小鼠模型(GEMM)建立了小鼠模型。在小鼠模型中，NF2肿瘤抑制基因修饰也产生自发性脑膜肿瘤然而，用这些方法预测实际肿瘤机制和微环境的准确性仍然存在问题。

现在，一些临床前模型为肿瘤生长和整体肿瘤侵袭性的分子基础提供了重要的见解。这些培养的肿瘤细胞的下一代测序提供了对脑膜瘤亚型可能适应辐射的见解。例如，特拉贝替尼（trabectedin）和组蛋白去乙酰化酶抑制剂已成为抑制肿瘤生长的主要候选药物，目前正处于临床试验阶段。在替补席之外，人工智能(AI)正在为调查提供新的工具。神经网络有助于更快的分类和自动的组织学解释。由于该领域迅速扩大，有必要对临床前模型类型、建议的实用领域和最近的技术进展进行系统的综述。在这里，我们为脑膜瘤研究中所使用的临床前模型提供了更清晰的理解。

图1.PRISMA流程图。

方法

根据PRISMA指南对PubMed数据库中确定的文献进行系统评价。使用搜索[“脑膜瘤”和(“临床前模型”或“小鼠模型”或“模型”或“体外”或“体内”或“人工智能”或“机器学习”或“AI”或“ML”)] [“meningioma” AND (“preclinical models” OR “mouse models” OR “model” OR “vitro” OR “vivo” OR “artificial intelligence” OR “machine learning” OR “AI” OR “ML”)] 进行了全面检索，包括从数据库建立到2022年5月的所有研究。包括描述脑膜瘤在体内或体外建模以及使用细胞培养、动物、机器学习、人工智能或临床前实体的出版物。综述、回顾性研究、试验、病例报告、不完整的论文和非英语研究被排除在外。

结果

文章选择

从文献检索中共筛选出1326篇文献(图1)。在删除重复文献后，对其中的707篇研究进行纳入/排除标准评估。其中，498项研究因以下原因被排除:综述文章、队列研究、回顾性研究、临床试验、荟萃分析、病例报告、横断面研究、撤回的或非英语生物。在文章全文和数据筛选中又排除了82篇文章。最终，本综述纳入了127项研究。图2总结了脑膜瘤建模的各种方法。

图2。不同小鼠脑膜瘤模型的比较。目前存在几种体外衍生的脑膜瘤癌细胞系，并有可能产生新的永生化细胞系。患者来源的肿瘤细胞系的产生仍然具有挑战性。异种移植模型包括将肿瘤细胞或组织注射到动物的侧腹(异位)或颅腔(原位)。基因工程小鼠模型(GEMMs)的几种方法包括使用Cre-lox系统进行靶向种系突变和将转基因细胞引入免疫功能低下的动物。

体外模型

体外模拟脑膜瘤使用细胞技术，利用从人脑膜瘤患者获得的组织培养表1总结了这些细胞系及其特性。Ben-Men-1细胞系来源于世界卫生组织(WHO) 1级良性脑膜瘤，其细胞学、免疫细胞化学、结构和遗传特征与大多数脑膜瘤相似。然而，由于细胞衰老，Ben-Men-1细胞系不能解释永生化（immortalization），因此已经开发了其他细胞系来防止这种情况(即SF-4422和Me3TSC)。脑膜瘤细胞系的种类，从侵袭性较低的WHO I级原发肿瘤样本(如BenMen-1和HBL-52)到侵袭性较强的WHO III级原发肿瘤样本(如IOM -Lee、CH157-MN, KT21)，允许更大的建模功能。尽管IOMM-Lee最初缺乏NF2突变，而这是体内脑膜瘤恶性肿瘤的主要原因，但已经产生了NF2突变细胞系(CH157-MN)和规律成簇间隔短回文重复序列（a Clustered Regularly Interspaced Short Palindromic Repeats）(CRISPR)/ CRISPR相关蛋白9 (Cas9) NF2突变基因编辑细胞系(IOMM-Lee)，以提高对该突变作用的认识。此外，WHO II级脑膜瘤细胞系(MENII-1)是可用的。

表1脑膜瘤细胞系特征总结。

体外临床前模型。已被用于研究放疗，化疗，靶向抗血小板源性生长因子（PDGF）和抗血管内皮生长因子(VEGF)的治疗效果，其他基因和单克隆抗体治疗。此外，这些细胞系提供了对细胞特性的深入了解，如受体表达和活性，细胞和分子谱，遗传学，分子信号传导，和代谢物水平。脑膜瘤细胞系的体外三维细胞培养和类器官模型也是近期研究脑膜瘤的可行平台。最近的技术进步也允许在脑膜瘤细胞系中进行CRISPR和Cas9基因编辑，从而允许细胞克隆生成，基因敲除/敲入研究和新细胞系生成。

体内模型

脑膜瘤的体内模型是将脑膜瘤细胞或病毒注射到动物体内，诱发脑膜瘤这些体内模型的特点是异种移植模型(例如，异位和原位模型[heterotopic and orthotropic models)])(表2)，GEMMs（基因工程小鼠）模型(表3)，和进一步的同源同种异体移植模型（further syngeneic allograft models）(即具有完整免疫系统的动物)。脑膜瘤的异位模型使用原代细胞或在非神经位置(如侧腹)生成的细胞系来诱导肿瘤的发生，皮下注射肿瘤，诱导率(即肿瘤摄取)约为60%。此外，该模型系统中的肿瘤形成可以通过模拟肿瘤微环境的化合物得到改善(例如，Matrigel, Corning Life Sciences, Pittston, PA)。另一方面，原位建模涉及颅内肿瘤注射。通常调整注射部位、细胞数量和注射体积，允许研究灵活性和增加结果评估。因此，由于直接靶向脑并绕过血脑屏障，原位技术的肿瘤诱导率更高(平均为97%)。异位和原位模型都允许评估肿瘤抑制治疗，如化疗和单克隆抗体，了解动物免疫缺陷(即在实验/治疗中很少或没有原发性宿主免疫系统影响)和基因操作研究。

表2异种原位移植模型总结。

表3 GEMM模型总结

GEMMs（基因工程模型）模拟其人类脑膜瘤对应物，并进一步允许通过基因操作增加实验控制。与异种移植模型相比，脑膜瘤的患病率较低(平均42%)。CreloxP系统首先被用于调节NF2基因，最初开创了对小鼠脑膜瘤肿瘤发生的理解，并进一步允许更高级别肿瘤发生的发生。NF2敲除突变最初不会产生肿瘤，但改变控制肿瘤抑制基因的21号染色体可导致脑膜瘤的发展和增殖。然而，这些突变对肿瘤级别的改变有不同的反应。此外，p53突变不会单独促进小鼠脑膜瘤的发生。最终，NF2失活联合肿瘤抑制因子(CDKN2AB)缺失是肿瘤产生的必要条件，导致II级和III级脑膜瘤脑膜启动子(前列腺素- d2合酶[PGDS])可以诱导致癌突变，并导致第二代脑膜瘤GEM (PGDSCreSmoM2)的发展。RCAS-TVA系统也在GEMMs中进行了评价。

CRISPR/Cas9系统允许以低成本对动物模型进行遗传操作。这与前面提到的方法相结合，可以增加科学家和临床医生研究脑膜瘤的可及性。GEMMs和CRISPR技术允许研究在人类脑膜瘤中发现的特定体细胞突变，并能够通过产生种系突变来探索新的启动子靶点的影响。通过使用CRISPR/Cas9，为可重复的进一步研究或临床表型的再创造开发稳定的模型似乎是合理的。此外，TRAF7、AKT1、PIK3CA和其他具有驱动突变的脑膜瘤尚未产生和充分研究。

人工智能/机器学习/成像技术

脑膜瘤无创监测的进步极大地改善了动物模型的使用。监测肿瘤诱导、生长和治疗效果的主要方法是通过生物发光和小动物MRI(见后文)。最近，引入了一种荧光引导成像技术，可以在体内和体外选择性地识别脑膜瘤。这些工具以更具成本效益的方式改进了对新型肿瘤模型和临床前治疗的评估。

随着人工智能的最新进展，利用人工智能模型预测疾病诊断和治疗结果的研究激增。在脑膜瘤研究中，人工智能模型被整合到MRI影像组学模式中，用于术前区分脑膜瘤和其他颅内肿块，并准确预测重要的诊断变量，如分级、组织学亚型，或肿瘤硬度。在脑膜瘤的影像学诊断后，这些变量通常在大多数患者切除脑膜瘤后才能确定使用机器学习。影像组学模型的计算机辅助诊断系统有可能彻底改变手术前脑膜瘤的诊断和临床计划，因为它可以在不需要手术的情况下为医生提供准确的答案。

与使用预定义数学方程进行特征提取的传统影像组学模型不同，机器学习影像组学模型可以处理大量数据，并可以直接提取和计算与特定任务(例如脑膜瘤分级)相关的大量影像组学特征。无论任务是什么，每个AI集成影像组学模型都必须通过类似的步骤处理图像，以便模型输出预测响应。MRI是脑膜瘤分析的首选成像方式，因为它具有优越的软组织对比鉴别能力。MRI T1加权、T2加权、T1增强和偶尔的液体衰减反转恢复序列可用于脑膜瘤的影像学诊断。考虑到序列可变性、图像质量差异和跨机构硬件异质性，人工智能集成用影像组学模型必须在不同的图像数据集上进行训练，才能在临床环境中发挥作用。用于研究目的的训练、验证和测试图像数据集通常回顾性地从包含脑膜瘤术前MRI扫描的临床数据库中获取。对于监督学习，这些图像由基于术后肿瘤分析的模型任务变量进行分类和标记(例如，2级vs 3级，或血管瘤vs间变性)。在影像组学流水线中很少使用的无监督学习不需要图像标记研究人员正在使用先前描述的方法和训练机器学习。影像组学模型作为医生的工具。例如，肿瘤的硬度是脑膜瘤切除手术策略的重要因素。尽管尝试了以工作流程为导向的预测和新的分级方案的创建，但目前还没有经过验证的技术通过术前成像来预测脑膜瘤的硬度。然而，最近，AlKubeyyer及其同事开发了一种模型，能够使用T2加权MRI扫描将脑膜瘤分类为“硬”或“软”，在验证过程中，接受者工作特征曲线下的面积为0.87。该模型的临床应用可以帮助医生进行手术计划，并为患者的术前咨询提供依据。还有一些研究人员创建了高精度、人工智能集成的影像组学模型，用于区分脑膜瘤、胶质瘤和垂体瘤，并使用各种MRI序列区分脑膜瘤等级。此外，Aurna及其同事已经创建了一个用于图像实时验证的用户界面。

机器学习影像组学模型也被用于肿瘤分化以外的领域。在用于临床预后预测的形态图和模型中，影像组学特征有时会与其他临床变量(如手术前白细胞计数)一起分析。影像组学和其他与肿瘤无关的临床特征的结合已被证明可以提高预测鳞状细胞癌肿瘤复发的模型的准确性。然而，目前还没有脑膜瘤复发的预测模型随着进一步的研究揭示了与脑膜瘤预后相关的生物标志物和临床特征，预计将开发出更准确的脑膜瘤形态图来预测包括无进展生存在内的临床预后。

讨论

治疗的创新

目前体外治疗的创新是有吸引力的，因为它们涉及到各种治疗方式的研究，脑膜瘤肿瘤细胞系和新的基础科学技术。人类脑膜瘤细胞系的基因组图谱允许识别新的脑膜瘤的药理学和分子靶点，包括了解基因突变的影响在I级脑膜瘤细胞系(HBL-52和Ben-Men1)中，酪氨酸激酶抑制剂舒尼替尼对胶质瘤有效，导致肿瘤存活和迁移降低血管激酶抑制剂多韦替尼（Dovitinib） (TK1258)在CHEK2/NF2.97编码或突变的III级脑膜瘤细胞系(CH 157 MN和IOMM-Lee)中进行了评估。这种有趣的方法允许对几种细胞系和突变谱的治疗方式进行快速测试。单克隆抗体治疗也正在体外和体内进行评估(例如，β 1整合素单抗)。在脑膜瘤细胞培养中也评估了影像治疗的效果，其中一些采用分子蛋白/基因联合靶向治疗(例如LB-100)。除了患者获得的脑膜瘤患者样本外，还在脑膜瘤细胞系中评估mRNA和蛋白表达水平(例如，HuR, CLDN6, hENT1, dCK, RLIP76) ，并比较诊断和预后标志物的评估。组织蛋白-修改（Histone-modifying）(如AR-42)、转录因子(如FOXM1、GATA-4、TERT)、肿瘤抑制基因和生长因子也被评估为脑膜瘤治疗方式的潜在靶点。体内脑膜瘤模型允许更强大和临床适用的治疗创新。应用verotoxin（志贺样毒素）是最早在异种移植模型(IOM- Lee,原位的orthotopic)上进行肿瘤生长抑制效果的治疗方法之一基因治疗也进行了评估(例如，siRNA和LB-100)，以及基因/放射治疗联合生存结果评估。化疗药物和其他药物(如非甾体类抗炎药)也在这些模型中进行了研究。过去十年的进展主要包括评估基因调节药物治疗、病毒、单克隆抗体甚至非癌症治疗，联合或不联合放疗。最近脑膜瘤治疗的大多数结果都是抑制肿瘤生长，同时提高动物存活率，这表明人类临床试验研究有希望的结果。

体外模型的局限性

再现真实的肿瘤微环境和肿瘤行为是任何脑膜瘤模型的局限性。细胞衰老是体外培养模型关注的问题，因为低/无先天端粒酶活性导致细胞生长和传代受限。转导技术作为诱导端粒酶亚基表达的一种变通方法而出现，从而允许细胞继续传代。然而，这些诱导表达的基因与体内自然发生的脑膜瘤无关，可能会改变母体肿瘤的生长和行为。另一个限制涉及长期培养，其中细胞系核型可能增加复杂性，使发现难以推广到原始肿瘤。

体内模型的局限性

体内模型存在一些限制。虽然异位注射脑膜瘤细胞系或动物侧腹肿瘤培养物可以诱导具有典型组织病理学特征的脑膜瘤，但这些病变可能不能很好地推广到人类脑膜瘤与培养的细胞样本相比，使用患者源性肿瘤立体定向注射的脑膜瘤原位模型可能导致较低的肿瘤诱导率(20%-100%)。一个很大的限制在于要求宿主动物的免疫系统免疫受损，这就不允许研究肿瘤细胞与免疫系统的关系。由于在细胞培养过程中存在很强的选择压力以及肿瘤形态和生长速度的可变性，因此在异种移植模型中脑膜瘤的发生并没有得到理想的研究;因此，这些模型比研究生物分子事件和途径更适合于临床前治疗试验在动物体内研究药物向肿瘤的传递也不同于人类的药效学和药代动力学模型生成的时间是另一个限制，除了成本之外，它可能会阻碍研究。GEMMs的肿瘤诱导率从30%到80%不等，远低于其他异种移植模型技术。GEMM的产生通常可以产生非脑膜瘤肿瘤，这可能导致动物早期死亡。

人工智能/机器学习/成像技术的局限性

这些技术的成本和可用性仍然是成像技术的最大限制。生物发光是一种廉价的方法，可以通过将荧光素酶在细胞系中的表达嫁接或荧光素酶报告基因杂交，然后利用Cre -lox依赖性致瘤作用将其整合到实验中。MRI需要对肿瘤进行持续的序贯随访，增加了成本和实验负担。

总结

这篇系统综述为脑膜瘤的临床前模型的发展提供了深入的见解，包括细胞培养、体内动物实验和人工神经网络。每一种独特的工具都具有实用性，并且通过将不同的方法结合起来进行新兴的临床试验，正在取得进展。这些模型需要改进和扩展，以促进对分子动力学的理解，并有助于发现有效的治疗靶点。

临床要点

●脑膜瘤的各种临床前模型，包括永生化细胞系，患者衍生细胞系，异位和原位异种移植模型，以及基因工程小鼠模型。

●不同的临床前肿瘤模型在预测人类治疗反应方面有不同的可能的优势和劣势。