spaGFM is a scalable graph foundation model for spatial transcriptomics analyses

Die Biologie stützt sich seit langem darauf, ein Stück Gewebe unter ein Mikroskop zu legen und die Zellen zu zählen, die es sieht, aber dieser Ansatz übersieht oft das große Ganze. Eine einzelne Zelle existiert nicht im Vakuum; ihr Verhalten wird durch die Gesellschaft bestimmt, in der sie sich befindet. In einem lebenden Organ verändert sich die Funktion einer Zelle je nachdem, ob sie neben einem Nachbarn sitzt, der gegen eine Infektion kämpft, oder neben einem, der stillschweigend Schäden repariert. Um zu verstehen, wie Gewebe funktionieren und warum sie bei Krankheiten versagen, müssen Wissenschaftler nicht nur die einzelnen Akteure sehen, sondern auch die komplexen, sich verändernden Nachbarschaften, die sie bilden. In den letzten Jahren hat eine neue Technologie namens räumliche Transkriptomik dies möglich gemacht, indem sie genau kartiert, wo jedes Gen innerhalb einer Gewebeprobe aktiviert wird, wodurch die Karte der Nachbarschaft zusammen mit der Liste ihrer Bewohner bewahrt wird. Diese Karten werden jedoch so gewaltig und detailliert, dass sie für Computer schwer lesbar sind. Die Daten sind keine einfache Liste von Wörtern oder eine gerade Codezeile; sie sind ein verworrenes Netz von Verbindungen, in dem die Distanz und die Beziehung zwischen den Zellen wichtiger sind als die Zellen selbst.

Ein Forscherteam hat ein neues Werkzeug namens spaGFM eingeführt, das darauf ausgelegt ist, diese komplizierten zellulären Nachbarschaften begreifbar zu machen. Man kann es sich als ein System vorstellen, das lernt, die Geschichte eines Gewebes zu lesen, indem es die Pfade zwischen seinen Zellen nachzeichnet, anstatt sie nur isoliert zu betrachten. Die Forscher trainierten dieses System auf einer massiven Sammlung von Daten und speisten es mit Informationen aus 132 verschiedenen Gewebeproben, die fast 44 Millionen Zellen enthielten. Diese Proben stammten aus verschiedenen Teilen des menschlichen und der Maus-Körper, einschließlich Lunge, Leber und Gehirn, und wurden mit unterschiedlichen hochauflösenden Bildgebungsgeräten erfasst. Durch das Studium dieser enormen Bibliothek lernte das System, die Muster zu erkennen, wie sich Zellen zu funktionalen Gruppen organisieren. Es tut dies, indem es das Gewebe als eine Karte verbundener Punkte behandelt, wobei jeder Punkt eine Zelle darstellt. Anstatt zu versuchen, die gesamte Karte auf einmal zu verarbeiten, unternimmt das System „Spaziergänge“ über die Karte, indem es von einer Zelle zu ihrem Nachbarn springt und dann zum Nachbarn dieses Nachbarn. Es zeichnet diese Reisen als eine Sequenz von Schritten auf, was ihm ermöglicht, die lokale Umgebung einer gegebenen Zelle zu verstehen – von ihrer unmittelbaren Umgebung bis hin zur breiteren Nachbarschaft, in der sie lebt.

Die Leistungsfähigkeit dieses Ansatzes wurde in drei sehr unterschiedlichen biologischen Herausforderungen getestet, wobei jede zeigte, wie gut das System das Gelernte auf neue Situationen anwenden konnte. Zuerst fragten die Forscher, ob das System spezifische Immunstrukturen finden könne, die als tertiäre Lymphstrukturen bekannt sind. Dies sind kleine, organisierte Cluster von Immunzellen, die während chronischer Entzündungen oder Krebs in Geweben entstehen, und ihre Anwesenheit sagt oft voraus, wie gut ein Patient auf eine Behandlung anspricht. Die Identifizierung dieser Strukturen ist notorisch schwierig, insbesondere in älteren, niedrig auflösenden Bilddaten, in denen die Grenzen zwischen den Zellen verschwommen sind. Das System, das nur auf hochauflösenden Bildern trainiert wurde, war in der Lage, diese Strukturen in niedrig auflösenden Daten aus Lungen- und Nierentumoren erfolgreich zu lokalisieren. Es tat dies, ohne auf die neuen Daten neu trainiert werden zu müssen, indem es einfach die zuvor gelernten räumlichen Muster erkannte. Die Ergebnisse zeigten, dass das System diese Immuncluster genauer als bisherige Methoden vom umliegenden Tumorgewebe unterscheiden konnte, selbst wenn die Daten von einem völlig anderen Gerät stammten.

Als Nächstes untersuchte das Team, wie das System den Einfluss der Immunumgebung auf Krebszellen versteht. In einer Studie über genetische Experimente an Maus-Tumoren hatten Forscher bereits spezifische Gene in Krebszellen verändert, um zu sehen, wie diese reagieren. Die Frage war, ob die Reaktion einer Krebszelle davon abhing, ob sie direkt neben einer T-Zelle stand, einer Art von Immunzelle. Das System war in der Lage, die genetischen Veränderungen in den Krebszellen zu betrachten und korrekt vorherzusagen, welche in der Nähe von T-Zellen und welche weit entfernt waren, indem es lediglich die Muster in ihrer Genaktivität analysierte. Wichtiger noch: Es konnte vorhersagen, wie eine Krebszelle auf eine genetische Veränderung reagieren würde, die es zuvor noch nie gesehen hatte, aber nur, wenn diese Reaktion von ihrer Nähe zu einer Immunzelle abhing. Dies deutet darauf an, dass das System tatsächlich die Regeln gelernt hat, wie Zellen mit ihren Nachbarn kommunizieren, anstatt nur eine Liste von Genverhaltensweisen auswendig zu lernen.

Schließlich wandten die Forscher das Werkzeug auf eine menschliche Nierenbiopsie eines Patienten mit diabetischer Nierenerkrankung an. Bei dieser Erkrankung werden die winzigen Filpereinheiten der Niere, die Glomeruli, geschädigt und vernarbt. Pathologen klassifizieren diesen Schaden von mild bis schwer, aber dies mit bloßem Auge zu tun, ist schwierig und subjektiv. Das System war in der Lage, das Gewebe zu betrachten und die Zellen automatisch in die richtigen Schadenskategorien einzuteilen, wobei es die von menschlichen Experten zugewiesenen Grade erreichte. Es identifizierte sogar neue Bereiche, die wie geschädigte Glomeruli aussah, aber in der ursprünglichen menschlichen Überprüfung übersehen worden waren, was später durch das Vorhandensein spezifischer molekularer Marker bestätigt wurde. Das System zeigte auch, dass sich die Zusammensetzung der Nachbarschaft auf vorhersehbare Weise änderte, wenn sich der Schaden verschlimmerte, wobei bestimmte schützende Zellen verschwanden und andere ihren Platz einnahmen.

Die Bedeutung dieser Arbeit liegt in ihrer Skalierbarkeit. Frühere Methoden zur Analyse dieser zellulären Karten hatten oft Schwierigkeiten, wenn die Daten zu groß oder zu komplex wurden, da sie durch die schiere Anzahl der Verbindungen ausgebremst wurden. Dieser neue Ansatz umgeht diese Grenzen, indem er das komplexe Netz der Zell-zu-Zell-Verbindungen in ein Format umwandelt, das moderne Computer effizient verarbeiten können. Er ermöglicht es Wissenschaftlern, allgemeine Regeln darüber zu lernen, wie Gewebe aufgebaut sind und wie sie zerfallen – Regeln, die für verschiedene Organe und verschiedene Krankheiten gleichermaßen gelten. Obwohl das System keine magische Lösung ist, die menschliche Experten ersetzt, bietet es eine kraftvolle neue Linse für die Betrachtung der mikroskopischen Welt. Es verwandelt das chaotische Durcheinander von Milliarden von Zellen in eine lesbare Geschichte der Organisation und bietet einen klareren Weg zum Verständnis der grundlegenden Prinzipien des Lebens und der Krankheit.