SPRINT enables spatial proteomic profile reconstruction through multimodal fusion of histology and transcriptomics

Gewebe sind nicht bloß statische Ansammlungen von Zellen; sie sind dynamische, organisierte Städte, in denen verschiedene Stadtviertel spezifische Aufgaben erfüllen. Um zu verstehen, wie diese Städte funktionieren, insbesondere im Kontext von Gesundheit und Krankheit, müssen Wissenschaftler nicht nur sehen, welche Zellen vorhanden sind, sondern was sie tatsächlich tun. Jahrzehntelang stützten sich die detailliertesten Karten der Gewebeaktivität auf die Messung von RNA, den molekularen Anweisungen, die Zellen nutzen, um Proteine aufzubauen. RNA ist jedoch nur der Bauplan; die Proteine selbst sind die Arbeiter, die Maschinen und die Signale, die die eigentliche Arbeit verrichten. Während wir heute zwar kartieren können, wo Gene in einer Gewebeprobe aktiv sind, war es schwierig, die tatsächlichen Proteine an denselben präzisen Orten zu messen – ein Prozess, der zeitaufwendig, teuer und langsam war. Diese Lücke hinterlässt für Forscher ein unvollständiges Bild: Sie kennen zwar die Pläne, aber der Baustelle fehlt der Überblick.

Ein neues computergestütztes Werkzeug namens SPRINT bietet eine Möglichkeit, diese fehlenden Details zu ergänzen. Durch die Kombination zweier Arten von Daten, die bereits häufig verfügbar sind – Mikroskopieaufnahmen von Gewebe und Karten der Genaktivität – kann SPRINT vorhersagen, wo sich spezifische Proteine mit hoher Genauigkeit befinden. Die Forscher hinter dieser Arbeit, die am Harbin Institute of Technology ansässig sind, entwickelten ein System, das die Beziehung zwischen dem Aussehen eines Gewebes unter einem Mikroskop, der Aktivität von Genen und dem daraus resultierenden Verbleib der Proteine erlernt. Einmal trainiert, kann dieses System detaillierte Protein-Karten für Gewebeschnitte rekonstruieren, für die Proteine nie direkt gemessen wurden, und verwandelt so Standard-Mikroskopie-Objektträger und Gen-Karten effektiv in umfassende Protein-Atlanten.

Die Herausforderung, Proteine im Raum abzubilden, ist erheblich, da sich Proteine anders verhalten als Gene. Einige Proteine sind eng mit der physischen Form des Gewebes verknüpft, wie etwa jene, die die Wände von Blutgefäßen oder die äußere Hautschicht bilden, was sie unter einem Mikroskop leicht erkennbar macht. Andere wiederum sind an komplexen chemischen Signalprozessen oder Immunreaktionen beteiligt, die keine klare visuelle Spur hinterlassen. Traditionelle Methoden, die sich nur auf Mikroskopiebilder verlassen, übersehen oft diese unsichtbaren Proteine, während Methoden, die sich nur auf Gen-Karten stützen, ungenau sein können, da die Menge eines Proteins in einer Zelle nicht immer mit der Menge seiner entsprechenden Gen-Anweisungen übereinstimmt. Die Forscher fanden heraus, dass das Vertrauen auf nur eine dieser Quellen die Fähigkeit einschränkt, das vollständige Bild zu erfassen.

Um dies zu lösen, entwickelten die Forscher ein Framework, das das Mikroskopiebild und die Gen-Karte als zwei komplementäre Sprachen behandelt, die dieselbe biologische Realität beschreiben. Das System betrachtet zuerst das Gewebebild, um die physische Struktur zu verstehen, wie etwa die Anordnung der Zellen und die Textur des Gewebes. Dann analysiert es die Genexpressionsdaten, um den molekularen Zustand dieser Zellen zu verstehen. Durch die Verschmelzung dieser beiden Informationsströme lernt das Modell, Proteinlokalisationen vorherzusagen, selbst wenn das Protein im Bild nicht offensichtlich ist oder wenn die Gen-Anweisungen ein schlechter Prädiktor für die endgültige Proteinmenge sind. Das System ist so konzipiert, dass es flexibel ist und sowohl hochauflösende Bilder, die Zelldetails zeigen, als auch niedrig auflösende Bilder, die breitere Gewebemuster erfassen, verarbeiten kann, wodurch sichergestellt wird, dass es mit verschiedenen Arten von Laborgeräten funktioniert.

Die Forscher testeten diesen Ansatz an einer Vielzahl biologischer Proben, um zu sehen, ob er über die spezifischen Daten, mit denen er trainiert wurde, hinaus verallgemeinern kann. Sie begannen mit menschlichem Tonsillengewebe (Mandelgewebe), trainierten das Modell an einem Abschnitt und baten es dann, die Proteinlokalisationen in einem völlig anderen Abschnitt einer anderen Person vorherzusagen. Das System rekonstruierte erfolgreich die räumlichen Muster dutzender Proteine, einschließlich jener, die an der Immunabwehr und der Gewebestruktur beteiligt sind. Es schnitt besser ab als bestehende Methoden, die sich entweder auf Bilder oder auf Gene allein stützten, und erfasste sowohl die breite Organisation des Gewebes als auch die feinen Details der lokalen Proteindistribution. Dieser Erfolg blieb auch bestehen, als die Forscher das Modell auf Mausmilzgewebe testeten, das mit einer viel niedrigeren Auflösung aufgenommen worden war, was bewies, dass das System in der Lage ist, sich an unterschiedliche Bildqualitäten anzupassen, ohne seine Vorhersagekraft zu verlieren.

Der vielleicht strengste Test betraf eine menschliche Gehirnprobe, bei der die Forscher einen einzelnen Gewebeschnitt diagonal teilten. Sie trainierten das Modell auf der einen Hälfte und ließen es die Proteinlandschaft der anderen Hälfte vorhersagen – einer Region, die das Modell zuvor noch nie gesehen hatte und die andere Zelltypen in anderen Proportionen enthielt. Trotz dieser räumlichen Trennung und der Verschiebung der zellulären Zusammensetzung rekonstruierte das Modell die Proteinmuster in der ungesehenen Region präzise. Es identifizierte korrekt komplexe biologische Programme, wie etwa Bereiche der Immunaktivierung und der Gewebereparatur, was zeigt, dass es die grundlegenden Regeln gelernt hat, die Gewebestruktur, Genaktivität und Proteinlokalisation miteinander verbinden, anstatt lediglich das spezifische Layout der Trainingsprobe auswendig zu lernen.

Der Nutzen dieses Ansatzes geht über das bloße Auffüllen fehlender Daten hinaus. Als die Forscher die rekonstruierten Protein-Karten nutzten, um distinkte Regionen innerhalb des Gewebes zu identifizieren, waren die Ergebnisse signifikant klarer als bei der Verwendung von Gen-Daten oder Bildern allein. In den Mausmilz- und Gehirnproben half die Hinzunahme der vorhergesagten Protein-Informationen dem Computer, anatomische Zonen zu unterscheiden, die zuvor verschwommen ineinander übergingen, wie etwa die Marginalzone der Milz. Dies deutet darauf hin, dass die vom System generierten Protein-Karten ein Maß an biologischer Detailtiefe bieten, das essenziell für das Verständnis der Organisation von Geweben und deren Reaktion auf Krankheiten ist.

Die Forscher untersuchten auch, ob diese Methode über Spezies hinweg und für andere Moleküle als Proteine funktionieren könnte. Sie trainierten das Modell auf menschlichem Brustgewebe und wandten es auf Maus-Brustgewebe an, wobei sie die Proteinlokalisationen in der Mausprobe erfolgreich vorhersagten, ohne während des Trainings jemals Maus-Proteindaten gesehen zu haben. Dies deutet darauf hin, dass die Beziehungen zwischen Gewebestruktur, Genen und Proteinen so konserviert sind, dass sie zwischen Menschen und Mäusen übertragen werden können. Darüber hinaus testeten sie das Framework auf Metaboliten, den kleinen Molekülen, die Zellen für Energie und Signalübertragung nutzen. Durch das direkte Training des Systems mit Metabolitendaten konnten sie räumliche Karten dieser Moleküle in einem Mausgehirn rekonstruieren, was zeigt, dass die zugrunde liegende Strategie nicht auf Proteine beschränkt ist, sondern angepasst werden kann, um verschiedene Arten molekularer Landschaften zu rekonstruieren.

Diese Arbeit etabliert eine neue Art und Weise, den maximalen Wert aus bestehenden biologischen Daten zu extrahieren. Viele Forschungslabore besitzen bereits riesige Archive an Gewebebildern und Gen-Karten, aber die Proteindaten für diese Proben sind oft unvollständig oder fehlen ganz. SPRINT bietet ein allgemeines Framework, um diese räumlichen molekularen Profile zu vervollständigen, was es Wissenschaftlern ermöglicht, das Vorhandensein und den Ort von Proteinen – und potenziell anderen Molekülen – über verschiedene Gewebe, Spezies und Bildungsbedingungen hinweg abzuleiten. Indem es die Lücke zwischen dem, was wir leicht messen können, und dem, was wir wissen müssen, schließt, öffnet dieses Werkzeug die Tür zu einem vollständigeren Verständnis der molekularen Architektur des Lebens und verwandelt partielle Momentaufnahmen in umfassende Ansichten davon, wie Gewebe aufgebaut sind und funktionieren.