1765417866
2025-12-11 01:39:00
Преобразуя стандартные слайды H&E в виртуальные мультиплексные карты белков, GigaTIME показывает, как иммунная активность, инвазия опухолей и выживаемость связаны между собой в тысячах видов рака, открывая новый путь для масштабируемых онкологических исследований, основанных на данных.
Изучать: Мультимодальный ИИ генерирует виртуальную популяцию для моделирования микроокружения опухоли
Недавнее исследование, опубликованное в журнале Клетка изучил возможности GigaTIME, мультимодальной среды искусственного интеллекта, предназначенной для крупномасштабного моделирования иммунного микроокружения опухоли (TIME) в исследованиях рака.
ВРЕМЯ Сложность и проблемы профилирования
ВРЕМЯ представляет собой очень сложную пространственную экосистему, состоящую из раковых клеток и различных типов незлокачественных клеток, таких как рак-ассоциированные фибробласты (CAF), иммунные клетки, эндотелиальные клетки (ЭК), перициты и другие, все они встроены в реконструированный внеклеточный матрикс. Он тесно связан с прогрессированием рака, формированием роста опухоли, инвазией, метастазированием и терапевтическими результатами посредством регуляции иммунного надзора и облегчения уклонения от иммунитета.
Исследователи используют иммуногистохимию (ИГХ) для характеристики состояний клеток во ВРЕМЕНИ. Например, ИГХ-окрашивание PD-L1 используется для обнаружения экспрессии PD-L1, общего биомаркера для прогнозирования ответа на терапию ингибиторами контрольных точек.
Основным недостатком ИГХ является то, что активация белка оценивается индивидуально, и для каждого анализа требуется отдельный образец ткани. Это ограничение представляет собой серьезную проблему для моделирования микроокружения опухоли, поскольку понимание сложных взаимодействий между опухолью и иммунными клетками требует одновременной оценки нескольких белков. Мультиплексная иммунофлуоресценция (mIF) решает эту проблему, обеспечивая возможность совместного локализованного многоканального профилирования белков на одном и том же участке ткани, сохраняя при этом пространственную организацию.
Несмотря на свои обещания, mIF непомерно дорог для крупномасштабных исследований, требуя дорогостоящих реагентов, специализированного оборудования и трудоемких рабочих процессов, тем самым ограничивая доступность наборов данных и клиническое применение. Напротив, окрашивание гематоксилином и эозином (H&E) широко используется и является недорогим в клинической практике для изучения морфологии тканей и клеток. Хотя изображения H&E не показывают напрямую состояния клеток, их закономерности могут на них намекать. Модели искусственного интеллекта, обученные на многих изображениях патологий, могут обнаруживать особенности, связанные с тем, где белки активны в тканях.
Генерация виртуального mIF на основе искусственного интеллекта
GigaTIME генерирует разнообразные виртуальные популяции MIF на основе крупномасштабных слайдов H&E. Для создания набора обучающих данных было получено четыреста сорок одно изображение mIF из 21 окрашенного H&E слайда, охватывающего 21 белковый канал. После регистрации изображений и сегментации клеток был получен набор данных из 40 миллионов совпадающих клеток.
GigaTIME была применена к 14 256 полноэкранным изображениям H&E от Providence Health, которые охватывали 24 типа рака и 306 подтипов в 51 больнице и более 1000 клиник. Модель сгенерировала 299 376 виртуальных изображений mIF, в результате чего был создан большой мультимодальный набор данных со связанной клинической информацией. Анализ полных изображений H&E позволил получить полный TIME-спектр и атлас и выявил более 1200 (в частности, 1234) значимых связей между клиническими биомаркерами и белковыми каналами.
Для каждого виртуального изображения mIF рассчитывались показатели плотности активации белка, которые впоследствии агрегировались по подтипам рака для профилирования характеристик TIME на основе mIF. Помимо плотности, авторы количественно оценили такие пространственные показатели, как энтропия, резкость и соотношение сигнал/шум, которые в некоторых случаях показали более сильную связь с клиническими биомаркерами, чем только плотность. GigaTIME также был применен к 10 200 опухолям TCGA для создания 214 200 виртуальных изображений mIF, тем самым продемонстрировав свою надежность. Обобщаемость и надежность модели были подтверждены сильным соответствием между наборами данных по паттернам активации белков и ассоциациям биомаркеров.
Производительность GigaTIME при переводе изображений H&E в изображения mIF сравнивалась с CycleGAN с использованием трех показателей на уровне пикселей, ячеек и слайдов. GigaTIME превзошел CycleGAN по 15 из 21 белкового канала, что подчеркивает ценность парных данных H&E и mIF.
Анализ обобщаемости GigaTIME вне выборки был проведен путем тестирования его на микрочипах опухолей молочной железы и головного мозга, которые не были включены в обучающую выборку. Несмотря на разнообразие типов рака, стадий и форматов образцов, GigaTIME сохранил высокие показатели по оценкам и корреляциям Дайса, постоянно превосходя CycleGAN и базовые методы для разных типов рака.
Стратифицированный анализ по субклеточной локализации показал, что ядерные белки имеют более высокое качество трансляции, чем поверхностные или цитоплазматические белки, вероятно, потому, что их компактные, четко определенные структуры легче предсказать. Некоторые цитоплазматические и мембранные белки могут быть по своей природе менее поддающимися переводу только с точки зрения морфологии, что отражает фундаментальные ограничения вывода H&E в белок.
Белковые сигнатуры связаны с инвазией опухоли
GigaTIME определила пространственные и комбинаторные закономерности активации белков и позволила стратифицировать пациентов на основе риска по стадиям и выживаемости. Многие ассоциации различались по типу рака и гистологическому подтипу, что подчеркивает биологическую гетерогенность TIME. Проверка с использованием опухолей из Атласа генома рака (TCGA) подтвердила возможность обобщения моделей активации виртуальных белков, а не напрямую подтвердила прогнозы стадирования.
Исследования, проведенные на виртуальных популяциях GigaTIME, показали, что на уровне панрака стадия опухолевой инвазии была связана с повышенной виртуальной активацией PD-L1 и сложными паттернами активации белков. Это отражало скоординированный иммунный ответ. Данные показали, что при запущенном заболевании альтернативные механизмы уклонения от иммунитета становятся все более влиятельными по сравнению с PD-L1-опосредованными путями. На возможное уклонение от иммуноиндуцированного апоптоза указывало снижение прогнозируемой экспрессии расщепленной каспазы-3.
Активация белков для нескольких маркеров иммунных клеток показала сильную взаимную корреляцию, что подтверждает необходимость иммунотерапии, нацеленной на различные типы клеток. Сигнатура GigaTIME, объединяющая все белковые каналы, превзошла одноканальные модели в прогнозировании выживаемости. Были обнаружены ассоциации между активацией виртуального белка GigaTIME и как известными, так и менее хорошо описанными геномными изменениями, а также снижением иммуногенности, связанным с мутациями онкогенов, такими как KRAS.
Например, авторы подчеркивают комбинаторные отношения, такие как CD138 с CD68 и PD-L1 с расщепленной каспазой 3, иллюстрируя, как пространственные и мультибелковые сигнатуры могут выявлять иммуно-опухолевые взаимодействия, не очевидные только для отдельных маркеров.
Расширение доступа к пространственной протеомике
Первоначальные результаты продемонстрировали перспективность GigaTIME, представив крупнейшее на сегодняшний день исследование ассоциации виртуальных mIF. Обеспечивая популяционный протеомный вывод с пространственным разрешением на основе рутинных слайдов H&E, этот подход потенциально может расширить доступ к подробному иммунному профилированию опухолей как в исследовательских, так и в клинических условиях. Однако существует необходимость в большем географическом и этническом разнообразии, поскольку большинство пациентов были из западной части США.
Результаты подтвердили, что слайды H&E улавливают значительные пространственные протеомные сигналы, но качество трансляции варьируется в зависимости от белковых каналов. Эта изменчивость может быть вызвана рядом факторов, в том числе различной архитектурой тканей, различиями в базовых данных обучения, биологической гетерогенностью и техническими проблемами, специфичными для маркеров. Авторы отмечают, что некоторые белки невозможно точно определить по морфологии H&E, что подчеркивает практические ограничения виртуального mIF.
Текущая работа направлена на оценку большего количества белковых каналов, создание комплексного виртуального атласа mIF и включение моделей сегментации клеток, чтобы пролить больше света на межклеточные взаимодействия в микроокружении опухоли.
#ИИ #превращает #обычные #слайды #патологиями #мощные #карты #иммунного #ландшафта #опухоли
