Classification of brain tumors using pseudobulk spatial transcriptomics
Diese Studie zeigt, dass die Generierung von Pseudobulk-Expressionsprofilen aus räumlichen Transkriptomikdaten einzelner Schnitte die effektive Anwendung bestehender, auf Bulk-Daten trainierter Klassifikatoren für die Diagnose von ZNS-Tumoren ermöglicht und somit eine praktikable Lösung für Fälle mit begrenztem Biopsiematerial oder diffuser Infiltration bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Die Diagnose eines Hirntumors war lange Zeit eine Angelegenheit der Betrachtung der Zellform unter einem Mikroskop, doch die moderne Medizin hat eine leistungsstarke neue Ebene hinzugefügt: das Lesen der genetischen Anweisungen innerhalb dieser Zellen. Dieser molekulare Ansatz, bekannt als Transkriptomik, ermöglicht es Ärzten, genau zu identifizieren, mit welcher Art von Tumor sie es zu tun haben, indem sie analysieren, welche Gene aktiv sind. Diese Methode erfordert jedoch in der Regel eine beträchtliche Menge an Gewebe. Wenn ein Patient eine kleine Biopsie hat oder wenn ein Tumor so weit gestreut ist, dass er sich mit gesundem Hirngewebe vermischt, steht oft nicht genügend Material zur Verfügung, um diese Tests durchzuführen. Dies lässt Ärzte vor einer schwierigen Wahl: Entweder sie verbrauchen die kostbare Probe für einen Test, der möglicherweise fehlschlägt, oder sie verlassen sich auf ältere Methoden, die weniger präzise sein könnten.
Wissenschaftler haben kürzlich eine Methode entwickelt, um die Genaktivität zu kartieren, während das Gewebe in seiner ursprünglichen physischen Anordnung bleibt – eine Technik namens räumliche Transkriptomik. Dies erstellt eine detaillierte Karte darüber, welche Gene an welchen spezifischen Stellen eines Gewebeschnitts aktiv sind. Die Herausforderung bestand darin, herauszufinden, wie man diese neuen, hochdetaillierten Daten mit den bestehenden Computerprogrammen nutzen kann, denen Ärzte bereits vertrauen. Diese Programme wurden entwickelt, um große, gemischte Gewebeproben zu analysieren, nicht die winzigen, verstreuten Datenpunkte einer räumlichen Karte. Ein Forscherteam am KK Women's and Children's Hospital in Singapur ging dazu über, dieses Rätsel zu lösen. Sie fragten sich, ob sie die winzigen Datenpunkte eines einzelnen Gewebeschnitts zu einem einzigen großen, lesbaren Profil kombinieren könnten, das von bestehenden diagnostischen Werkzeugen verstanden werden kann, wodurch sie effektiv in der Lage wären, eine molekulare Diagnose aus einer Probe zu erhalten, die zuvor zu klein oder zu ungeordnet für einen Test war.
Die Forscher nahmen eine Sammlung von Hirntumorproben aus öffentlichen Datenbanken und fünf neuen Fällen aus ihrem eigenen Krankenhaus, um diese Idee zu testen. Sie verwendeten eine computergestützte Methode, um die Genaktivität von jedem Punkt auf einem Gewebeschnitt zu sammeln und sie zu einem einzigen Profil zusammenzufassen, einen Prozess, den sie die Erstellung einer „Pseudobulk“-Probe nennen. Dies ermöglichte es ihnen, die Daten in drei verschiedene Computerprogramme einzuspeisen, die zur Identifizierung von Hirntumoren entwickelt wurden. Die Ergebnisse zeigten, dass dieser Ansatz funktioniert, aber nicht gleichermaßen gut für jedes Werkzeug oder jeden Tumortyp. Eines der Programme, das Genaktivitätsmuster abgleicht, identifizierte den Tumortyp in etwa 82 Prozent der Fälle korrekt. Ein anderes Programm lag in etwa 60 Prozent der Fälle richtig, und ein drittes, komplexeres Programm war nur in etwa 46 Prozent der Fälle erfolgreich.
Der Erfolg der Methode hing stark davon ab, um welche Art von Tumor getestet wurde. Die Computerprogramme waren außergewöhnlich gut darin, Medulloblastome und Ependymome zu identifizieren, zwei Arten von Tumoren, die sehr ausgeprägte genetische Signaturen besitzen. In diesen Fällen entsprach die neue Methode der bekannten Diagnose perfekt. Die Werkzeuge hatten jedoch größere Schwierigkeiten mit hochgradigen Gliomen, die aggressiv sind und sich oft mit gesundem Gewebe vermischen. Die Forscher fanden heraus, dass sie das Ergebnis verbessern konnten, wenn der ursprüngliche Test unsicher war, indem sie die räumliche Karte nutzten, um gezielt nur die Teile des Gewebes zu isolieren, die wie Tumorzellen aussah, und nur diese Bereiche erneut analysierten. Dieser Schritt, den sie Tumorkluster-Anreicherung (tumor-cluster enrichment) nennen, steigerte die Genauigkeit für schwierige Fälle von 60 Prozent auf 76 Prozent. Dies funktionierte, indem das „Rauschen“ der gesunden Zellen entfernt wurde, die das Tumorsignal verdünnten.
Die Studie untersuchte auch, wie die Art der Gewebeerhaltung die Ergebnisse beeinflusst. Die meisten Krankenhausproben werden in einer Chemikalie namens Formalin aufbewahrt und in Wachs eingebettet, ein Prozess, der das genetische Material beschädigen kann. Die Forscher fanden heraus, dass das am besten abschneidende Computerprogramm auch bei diesen älteren, konservierten Proben immer noch recht gut funktionierte und sie in etwa 77 Prozent der Fälle korrekt diagnostizierte. Das dritte Programm jedoch, das für Frischgewebe entwickelt worden war, versagte bei den konservierten Proben fast vollständig. Dies deutet darauf hin, dass die Methode zwar robust genug für den routinemäßigen Krankenhausgebrauch ist, die Wahl der Software jedoch entscheidend ist, je nachdem, wie die Probe gelagert wurde.
Um zu beweisen, dass die Methode in einer realen Umgebung funktionieren kann, wandte das Team sie auf fünf tatsächliche Patienten in ihrem Krankenhaus an, darunter ein Fall, bei dem die Tumorprobe weniger als einen Millimeter groß war. Das System identifizierte erfolgreich zwei dieser seltenen pädiatrischen Tumoren und bestätigte damit, dass die Technik keine große Gewebemenge benötigt, um ein Ergebnis zu generieren. Obwohl das System mit einigen komplexen Fällen zu kämpfen hatte, in denen die genetische Zusammensetzung des Tumors ungewöhnlich war oder in den Trainingsdaten nicht repräsentiert war, zeigen die Gesamtergebnisse einen klaren Weg nach vorn auf. Durch die Kombination von räumlicher Kartierung mit bestehenden diagnostischen Werkzeugen können Ärzte bald präzise molekulare Diagnosen aus den kleinsten und schwierigsten Biopsieproben erhalten und so sicherstellen, dass selbst das begrenzteste Gewebe die Antworten liefert, die für die Steuerung der Behandlung benötigt werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.