SPRINT enables spatial proteomic profile reconstruction through multimodal fusion of histology and transcriptomics
يُعد SPRINT إطاراً حوسبياً متعدد الوسائط يعيد بناء الملامح البروتينية المكانية من خلال دمج النسخ الوراثي المكاني وصور الهيستولوجيا (H&E)، مما يتغلب على قيود الأساليب أحادية الوسائط لاستنتاج توزيعات البروتين بدقة، ودعم التحليل عبر الأنواع، وتعزيز توصيف النطاقات النسيجية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
ليست الأنسجة مجرد مجموعات استاتيكية من الخلايا؛ بل هي مدن ديناميكية ومنظمة حيث تؤدي أحياء مختلفة وظائف محددة. ولفهم كيفية عمل هذه المدن، خاصة في حالات الصحة والمرض، يحتاج العلماء إلى رؤية ليس فقط أنواع الخلايا الموجودة، بل ما تفعله حقاً. لعقود من الزمن، اعتمدت أكثر الخرائط تفصيلاً لنشاط الأنسجة على قياس الحمض النووي الريبوزي (RNA)، وهو التعليمات الجزيئية التي تستخدمها الخلايا لبناء البروتينات. ومع ذلك، فإن الـ RNA ليس سوى المخطط؛ أما البروتينات نفسها فهي العمال، والآلات، والإشارات التي تقوم بالعمل الفعلي. وبينما يمكننا الآن رسم خرائط لمواقع نشاط الجينات في عينة نسيجية، كان قياس البروتينات الفعلية في تلك المواقع الدقيقة نفسها أمراً صعباً ومكلفاً وبطيئاً. تترك هذه الفجوة الباحثين بصورة جزئية، حيث يعرفون المخططات لكنهم يفتقدون موقع موقع البناء.
تقدم أداة حوسبية جديدة تسمى SPRINT طريقة لملء هذه التفاصيل المفقودة. فمن خلال الجمع بين نوعين من البيانات المتوفرة بالفعل بشكل شائع — وهي صور المجهر للأنسجة وخرائط النشاط الجيني — يمكن لـ SPRINT التنبؤ بمواقع بروتينات محددة بدقة عالية. طور الباحثون وراء هذا العمل، والذين يتخذون من معهد هاربين للتكنولوجيا مقراً لهم، نظاماً يتعلم العلاقة بين مظهر النسيج تحت المجهر، وما هي الجينات التي تعمل، وأين تنتهي البروتينات الناتجة. وبمجرد تدريبه، يمكن لهذا النظام إعادة بناء خرائط بروتينية مفصلة لمقاطع الأنسجة التي لم يتم قياس البروتينات فيها مباشرة، مما يحول شرائح المجهر القياسية وخرائط الجينات فعلياً إلى أطلس بروتيني شامل.
إن تحدي رسم خرائط البروتينات في الفراغ هو تحدٍ كبير لأن البروتينات تتصرف بشكل مختلف عن الجينات. فبعض البروتينات ترتبط ارتباطاً وثيقاً بالشكل الفيزيائي للنسيج، مثل تلك التي تشكل جدران الأوعية الدموية أو الطبقة الخارجية للجلد، مما يجعل رصدها سهلاً في صورة المجهر. ومع ذلك، فإن بروتينات أخرى تشارك في عمليات إشارات كيميائية معقدة أو استجابات مناعية لا تترك أثراً بصرياً واضحاً. وغالباً ما تغفل الطرق التقليدية التي تعتمد فقط على صور المجهر هذه البروتينات "غير المرئية"، بينما قد تكون الطرق التي تعتمد فقط على خرائط الجينات غير دقيقة لأن كمية البروتين في الخلية لا تتطابق دائماً مع كمية تعليمات الجينات المقابلة لها. وقد وجد الباحثون أن الاعتماد على مصدر واحد فقط من هذه المصادر يحد من القدرة على رؤية الصورة الكاملة.
ولحل هذه المشكلة، أنشأ الفريق إطار عمل يعامل صورة المجهر وخريطة الجينات كلغتين متكاملتين تصفان نفس الواقع البيولوجي. ينظر النظام أولاً إلى صورة النسيج لفهم البنية الفيزيائية، مثل ترتيب الخلايا ونسيج الأنسجة. ثم ينظر إلى بيانات التعبير الجيني لفهم الحالة الجزيئية لتلك الخلايا. ومن خلال دمج هذين التدفقين من المعلومات، يتعلم النموذج التنبؤ بمواقع البروتينات حتى عندما لا يكون البروتين واضحاً في الصورة أو عندما تكون التعليمات الجينية مؤشراً ضعيفاً لكمية البروتين النهائية. تم تصميم النظام ليكون مرناً، حيث يتعامل مع الصور عالية الدقة التي تظهر تفاصيل الخلايا الفردية، والصور منخفضة الدقة التي تلتقط أنماط الأنسجة الأوسع، مما يضمن عمله عبر مختلف أنواع المعدات المختبرية.
اختبر الباحثون هذا النهج على مجموعة متنوعة من العينات البيولوجية لمعرفة ما إذا كان بإمكانه التعميم بما يتجاوز البيانات المحددة التي تدرب عليها. بدأوا بنسيج اللوزة البشرية، حيث دربوا النموذج على مقطع واحد، ثم طلبوا منه التنبؤ بمواقع البروتينات في مقطع مختلف تماماً من شخص آخر. نجح النظام في إعادة بناء الأنماط المكانية لعشرات البروتينات، بما في ذلك تلك المشاركة في الدفاع المناعي وبنية الأنسجة. وقد تفوق على الأساليب الحالية التي تعتمد على الصور أو الجينات وحدها، حيث التقط بدقة كلاً من التنظيم الواسع للنسيج والتفاصيل الدقيقة لتوزيع البروتين المحلي. وقد ظل هذا النجاح قائماً حتى عندما اختبر الباحثون النموذج على نسيج طحال الفأر، والذي تم تصويره بدقة أقل بكثير، مما أثبت أن النظام يمكنه التكيف مع جودة الصور المختلفة دون فقدان قدرته التنبؤية.
ولعل الاختبار الأكثر صرامة تضمن عينة من دماغ بشري، حيث قام الباحثون بتقسيم مقطع نسيجي واحد قطرياً؛ حيث دربوا النموذج على نصف واحد، ثم طلبوا منه التنبؤ بالمشهد البروتيني للنصف الآخر، وهو منطقة لم يرها من قبل وتحتوي على أنواع مختلفة من الخلايا بنسب متفاوتة. وبالرغم من هذا الفصل المكاني والتحول في التركيبة الخلوية، أعاد النموذج بدقة بناء الأنماط البروتينية عبر المنطقة غير المرئية. لقد حدد بشكل صحيح البرامج البيولوجية المعقدة، مثل مناطق التنشيط المناعي وترميم الأنسجة، مما أثبت أنه تعلم القواعد الأساسية التي تربط بين بنية النسيج، والنشاط الجيني، وموقع البروتين، بدلاً من مجرد حفظ التخطيط المحدد لعينة التدريب.
إن فائدة هذا النهج تمتد إلى ما هو أبعد من مجرد ملء البيانات المفقودة. فعندما استخدم الباحثون الخرائط البروتينية المعاد بناؤها للمساعدة في تحديد مناطق متميزة داخل النسيج، كانت النتائج أكثر وضوحاً بكثير مما كانت عليه عند استخدام البيانات الجينية أو الصور وحدها. ففي عينات طحال الفأر والدماغ، ساعدت إضافة معلومات البروتين المتوقعة الحاسوب على التمييز بين المناطق التشريحية التي كانت تبدو ضبابية سابقاً، مثل المنطقة الهامشية للطحال. وهذا يشير إلى أن الخرائط البروتينية التي أنشأها النظام توفر مستوى من التفصيل البيولوجي يعد ضرورياً لفهم كيفية تنظيم الأنسجة وكيفية استجابتها للمرض.
كما استكشف الباحثون ما إذا كان بإمكان هذه الطريقة العمل عبر الأنواع وأنواع أخرى من الجزيئات غير البروتينات. فقد دربوا النموذج على نسيج الثدي البشري وطبقوه على نسيج ثدي الفأر، ونجحوا في التنبؤ بمواقع البروتينات في عينة الفأر دون رؤية بيانات بروتين الفأر أثناء التدريب. ويشير هذا إلى أن العلاقات بين بنية الأنسجة والجينات والبروتينات محفوظة بما يكفي للانتقال بين البشر والفئران. علاوة على ذلك، اختبروا إطار العمل على المستقلبات (metabolites)، وهي الجزيئات الصغيرة التي تستخدمها الخلايا للطاقة والإشارات. ومن خلال تدريب النظام مباشرة على بيانات المستقلبات، تمكنوا من إعادة بناء خرائط مكانية لهذه الجزيئات في دماغ الفأر، مما أظهر أن الاستراتيجية الأساسية ليست مقتصرة على البروتينات ولكن يمكن تكييفها لإعادة بناء أنواع مختلفة من المشاهد الجزيئية.
يؤسس هذا العمل طريقة جديدة لاستخراج أقصى قيمة من البيانات البيولوجية الموجودة. تمتلك العديد من المختبرات البحثية بالفعل أرشيفات ضخمة من صور الأنسجة وخرائط الجينات، لكن بيانات البروتين لهذه العينات غالباً ما تكون مفقودة أو غير مكتملة. يوفر SPRINT إطار عمل عام لإكمال هذه الملفات التعريفية المكانية الجزيئية، مما يسمح للعلماء باستنتاج وجود وموقع البروتينات، وربما الجزيئات الأخرى، عبر مختلف الأنسجة والأنواع وظروف التصوير. ومن خلال سد الفجوة بين ما يمكننا قياسه بسهء وما نحتاج إلى معرفته، تفتح هذه الأداة الباب أمام فهم أكثر اكتمالاً للبنية الجزيئية للحياة، محولةً اللقطات الجزئية إلى رؤى شاملة لكيفية بناء الأنسجة وعملها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.