CancerSTFormer enables multi-scale analysis of spot-resolution spatial transcriptomes and dissects the gene and immune regulatory responses of targeted therapies

Die Studie stellt CancerSTFormer vor, ein Werkzeug auf Basis von räumlich bewussten Transkriptom-Grundmodellen, das eine multiskalige Analyse von Spot-Auflösungs-Spatial-Transkriptom-Daten ermöglicht, um genetische und immunregulatorische Reaktionen auf zielgerichtete Therapien in Tumornischen zu entschlüsseln und die Interpretation von Resistenz- sowie Sensitivitätssignaturen zu verbessern.

Das Wesentliche

Stellen Sie sich vor, ein Tumor ist keine einzelne Masse, sondern eine riesige, chaotische Stadt. In dieser Stadt gibt es verschiedene Viertel (die sogenannten „Nischen"): einige sind voller krebserregender Zellen, andere sind von Immunzellen bewohnt, die versuchen, die Stadt zu verteidigen, und wieder andere sind von stromähnlichem Gewebe umgeben, das die Stadt stützt.

Bisher konnten Wissenschaftler nur einzelne „Einwohner" (Zellen) beobachten oder die ganze Stadt aus der Vogelperspektive betrachten, ohne zu verstehen, wie die Nachbarn miteinander sprechen. Das neue Tool, das in diesem Papier vorgestellt wird, heißt CancerSTFormer. Man kann es sich wie einen genialen, allwissenden Stadtplaner vorstellen, der die Sprache dieser Tumorstädte versteht.

Hier ist die einfache Erklärung, wie er funktioniert:

1. Der große Unterschied: Ein Foto vs. ein Video

Frühere KI-Modelle waren wie ein Fotograf, der nur einzelne Zellen abbildet. Sie wussten zwar viel über die Zelle selbst, aber nicht, was ihr Nachbar im selben Moment tut. Andere Modelle waren wie ein Drohnenbild, das die ganze Stadt zeigt, aber zu unscharf ist, um zu sehen, wer mit wem spricht.

CancerSTFormer ist wie ein intelligenter Stadtplaner mit zwei verschiedenen Brillen:

• Brille 1 (Die Lupe - 50µm): Er schaut sich ein kleines Viertel an (etwa 10–20 Zellen). Hier erkennt er, wie Nachbarn direkt miteinander flüstern (kurze Distanz).
• Brille 2 (Das Fernglas - 250µm): Er schaut über das ganze Stadtviertel hinweg. Hier erkennt er, wie sich Gerüchte oder Signale über größere Entfernungen ausbreiten (lange Distanz).

2. Wie lernt er? (Das Training)

Stellen Sie sich vor, dieser Stadtplaner hat Tausende von alten, verstaubten Stadtplänen aus Krankenhäusern auf der ganzen Welt gelesen. Er hat gelernt, welche Muster typisch für eine „Krebsstadt" sind, ohne dass ihm jemand gesagt hat, wo genau die Probleme liegen. Er hat einfach die Sprache der Gene gelernt.

Dank dieser riesigen Datenmenge kann er jetzt Vorhersagen treffen, ohne dass man ihm neue Daten geben muss. Das ist wie ein Schachgroßmeister, der so viele Partien gesehen hat, dass er weiß, wie das Spiel weitergeht, noch bevor der nächste Zug gemacht wird.

3. Die magische Fähigkeit: „Was-wäre-wenn"-Simulationen

Das Coolste an CancerSTFormer ist, dass er Simulationen durchführen kann. Stellen Sie sich vor, Sie wollen wissen, was passiert, wenn Sie einen bestimmten „Bösewicht" in der Tumorstadt entfernen (z. B. durch eine Immuntherapie).

• Die Simulation: Der Stadtplaner löscht virtuell ein Gen (z. B. den „Schutzschild" des Tumors) und schaut sofort: „Aha! Wenn ich diesen Schild entferne, beginnen die Immunzellen hier zu tanzen, aber dort fangen die Krebszellen an, sich zu verstecken."
• Das Ergebnis: Er kann sagen: „Wenn wir diese Therapie geben, wird der Tumor wahrscheinlich schrumpfen. Aber Vorsicht: Es könnte sein, dass sich die Krebszellen einen neuen Schutzmechanismus zulegen."

4. Warum ist das so wichtig?

• Bessere Medikamente: Früher haben Ärzte oft nur auf die Krebszelle selbst geschaut. CancerSTFormer zeigt uns, dass es darauf ankommt, wie die Krebszelle mit ihrer Umgebung interagiert. Es hilft, Therapien zu finden, die nicht nur den „Bösewicht" angreifen, sondern das ganze Viertel umstellen.
• Individuelle Behandlung: Da er so viel gelernt hat, kann er für einen bestimmten Patienten vorhersagen, ob eine bestimmte Behandlung funktionieren wird oder ob der Patient resistent ist. Er kann quasi sagen: „Für Patient A ist Medikament X gut, für Patient B eher nicht."
• Entdeckung neuer Ziele: Er findet versteckte Mechanismen, wie der Tumor sich gegen die Behandlung wehrt, und schlägt neue Angriffspunkte vor, die bisher niemand gesehen hat.

Zusammenfassung in einer Metapher

Stellen Sie sich vor, Sie wollen ein Haus renovieren.

• Alte Methoden: Sie schauen sich nur einen einzelnen Stein an (Zelle) oder das ganze Haus von außen (Bulk-Daten).
• CancerSTFormer: Es ist wie ein Architekt, der das gesamte Haus, jeden Stein und jede Rohrleitung kennt. Er kann sagen: „Wenn wir diese eine Wand entfernen (Therapie), wird das Dach einstürzen (Tumor stirbt), aber wir müssen auch die Fenster reparieren (neue Ziele finden), sonst kommt der Regen wieder herein (Resistenz)."

Dieses Tool nutzt also riesige Mengen an Daten, um die komplexe Sprache des Tumors zu entschlüsseln und uns zu helfen, die richtigen Therapien zur richtigen Zeit für den richtigen Patienten zu finden. Es verwandelt chaotische Daten in einen klaren Bauplan für die Heilung.

Technische Zusammenfassung

Problemstellung

Die Entwicklung von Krebs und die Resistenz gegen Therapien sind inhärent räumliche Prozesse, die durch komplexe Interaktionen innerhalb des Tumormikromilieus (TME) geprägt werden. Obwohl räumliche Transkriptomik (ST) Technologien wie Visium oder DBiT-seq wertvolle Einblicke in diese räumliche Organisation bieten, bleiben die Analyse von Nischen auf Zell-Ebene und die Vorhersage der Auswirkungen genetischer Störungen (z. B. durch gezielte Therapien) herausfordernd.

• Limitationen bestehender Modelle: Bestehende „Foundation Models" für die Einzelzell-Genomik (z. B. scGPT, Geneformer) fehlt es an räumlichen Informationen, was ihre Fähigkeit einschränkt, zelluläre Externeffekte oder Nischen-Verhalten vorherzusagen.
• Limitationen bestehender ST-Modelle: Modelle wie Nicheformer konzentrieren sich oft auf bildbasierte ST-Daten mit begrenzten Gensets (300–500 Gene) und ignorieren sequenzbasierte, genomweite ST-Daten (wie Visium), die für umfassende in silico Störungsanalysen notwendig sind.
• Datenknappheit: Es gibt derzeit kein Framework für nischenbasierte in silico Störungen auf Basis von Foundation-Modellen, das die Fülle an öffentlich verfügbaren, spot-basierten ST-Daten nutzt, um therapeutische Antworten auf molekularer Ebene zu simulieren.

Methodik: CancerSTFormer

CancerSTFormer ist ein räumlich bewusstes, genomweites Foundation-Modell für die räumliche Transkriptomik, das speziell für Krebsdaten entwickelt wurde. Es basiert auf einer Transformer-Architektur (BERT-ähnlich) und nutzt ein selbstüberwachtes Masked-Language-Modeling (MLM) auf einer riesigen Datenmenge.

1. Datengrundlage:

• Das Modell wurde auf über 1 Million Spots aus 511 Proben und 50 Studien menschlicher Krebserkrankungen vortrainiert.
• Es umfasst diverse Plattformen (Visium, DBiT-seq, Slide-seq) und deckt ein breites Spektrum an malignen Tumoren ab.
• Die Daten wurden ohne manuelle Zelltyp-Annotationen vortrainiert, sodass das Modell Strukturen direkt aus den Daten ableitet.

2. Dual-Scale-Architektur:
Um unterschiedliche räumliche Skalen zu modellieren, wurden zwei Varianten des Modells entwickelt:

• 50µm Local-Modell: Modelliert einzelne Spots (ca. 10–20 Zellen) als unabhängige Einheiten. Es erfasst zellintrinsische Informationen und kurze, direkte Interaktionen (juxtakrine Signale).
• 250µm Extended-Modell: Integriert den zentralen Spot mit dem durchschnittlichen Nachbarschaftsvektor (Nachbar-Spots). Dies ermöglicht die Modellierung längerer Distanzen und parakriner Signale sowie stromaler Effekte.
• Tokenisierung: Gene werden basierend auf Rangfolgen (Rank-based encoding) tokenisiert, um Batch-Effekte zwischen Studien zu minimieren. Das Extended-Modell verwendet eine verdoppelte Token-Länge (2x maxlen), um zentrale und Nachbartoken zu concatenieren.

3. In silico Gen-Störung (Perturbation):
Das Modell simuliert genetische Deletionen, indem es die Token-IDs der Zielgene aus der Eingabe entfernt. Die Auswirkungen werden durch Berechnung der Kosinus-Ähnlichkeit zwischen den Embeddings vor und nach der Störung quantifiziert. Dies erlaubt die Vorhersage von downstream-Genveränderungen im räumlichen Kontext.

4. Feinabstimmung (Fine-Tuning):
Das vortrainierte Modell kann mit klinischen Daten (z. B. Ansprechen auf Immuntherapie aus dem I-SPY2-Trial) feinabgestimmt werden, um spezifische Resistenzen oder Sensitivitäten vorherzusagen, ohne dass gepaarte ST- und Bulk-Daten für jeden Patienten erforderlich sind.

Hauptergebnisse

1. Ligand-Ziel-Gen-Wiederherstellung:

• CancerSTFormer konnte Ligand-Ziel-Beziehungen (basierend auf der NicheNet-Datenbank) und nischenspezifische differenziell exprimierte Gene (DEGs) präzise vorhersagen.
• Das 250µm Extended-Modell übertraf bei der Vorhersage langreichweitiger Interaktionen deutlich Modelle, die auf Einzelzell-RNA-Seq (Geneformer) oder hochauflösende, aber datenarme ST-Technologien (Visium HD, Xenium-5K) basieren.
• Das 50µm Local-Modell zeigte eine überlegene Leistung bei der Vorhersage kurzreichweitiger, nischen-spezifischer Interaktionen (z. B. Immun-Checkpoint-Liganden wie CTLA4, PDCD1).

2. Simulation von Immuntherapien:

• Durch die in silico Deletion von PDCD1, CD274 und CTLA4 wurden downstream-Transkriptionsantworten im TME simuliert.
• Die Ergebnisse enthüllten sowohl lokale immunosuppressive Mechanismen (erfasst durch das Local-Modell, z. B. regulatorische T-Zellen) als auch langreichweitige stromale Unterdrückung (erfasst durch das Extended-Modell, z. B. Makrophagen, CAFs).
• Das Modell identifizierte neue potenzielle therapeutische Targets, die die Wirksamkeit der Immuntherapie durch Unterdrückung der Immunantwort kontern könnten.

3. Vorhersage von Therapieansprechen und Resistenz:

• Nach Feinabstimmung auf Bulk-RNA-Seq-Daten (I-SPY2-Trial) konnte das Modell Gene identifizieren, die mit Sensitivität oder Resistenz gegenüber PD1-, IGF1R- und ANG1-Inhibitoren assoziiert sind.
• Die feinabgestimmten Modelle generalisierten erfolgreich auf Holdout-Patientenkohorten und übertrafen dabei sowohl nicht-feinabgestimmte Modelle als auch feinabgestimmte Geneformer-Modelle signifikant.
• Dies zeigt, dass räumlich gelernte regulatorische Strukturen die Übertragbarkeit von Biomarkern verbessern.

4. Weitere Anwendungen:

• Metastase-Gen-Prädiktion: Das Modell konnte Gene identifizieren, die mit der Metastasierung von Brustkrebs in spezifische Organe (Lunge, Knochen, Gehirn) assoziiert sind (AUC bis zu 0,89 für das Extended-Modell).
• Spot-Klassifizierung: Hohe Genauigkeit bei der Vorhersage von Tumortypen, Ansprechen auf Nivolumab bei hepatozellulärem Karzinom und Abstammung (Ancestry) basierend auf ST-Profilen.
• Perturb-map Validierung: Das Modell konnte erfolgreich auf Maus-Daten (Tgfbr2-Knockout) angewendet werden, um Störungsantworten vorherzusagen, was die Anpassungsfähigkeit an experimentelle räumliche Perturbations-Daten unterstreicht.

Bedeutung und Fazit

CancerSTFormer stellt einen Paradigmenwechsel in der Analyse räumlicher Transkriptomik dar:

1. Nischen-basierte Modellierung: Anstatt Zellen zu entmischen (Deconvolution), behandelt das Modell Spots als fundamentale biologische Einheiten, was der komplexen Realität des TME besser gerecht wird.
2. Skalierbarkeit: Es demonstriert, dass die Analyse großer Mengen an niedrig-auflösenden (spot-basierten) Daten durch Meta-Analyse und Foundation-Modelle die Vorhersagekraft von wenigen hochauflösenden (single-cell) Datensätzen übertreffen kann.
3. Therapeutische Relevanz: Das Tool ermöglicht die in silico Simulation von Therapien direkt auf räumlichen Daten, um neue Kombinationstherapien und Targets zu identifizieren, die auf der Modulation ganzer Zellnischen basieren.
4. Ressourcennutzung: Es verwandelt die wachsende Menge an öffentlich verfügbaren ST-Daten in eine wertvolle Ressource für die Entschlüsselung von Gen-Störungen und Therapieantworten, ohne neue, teure Experimente für jede Fragestellung durchführen zu müssen.

Zusammenfassend bietet CancerSTFormer ein leistungsfähiges Framework, um die räumliche Komplexität von Krebs zu verstehen und präzise Vorhersagen für personalisierte Therapiestrategien zu treffen.