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

Los tejidos no son meramente colecciones estáticas de células; son ciudades dinámicas y organizadas donde diferentes vecindarios realizan trabajos específicos. Para entender cómo funcionan estas ciudades, especialmente en la salud y la enfermedad, los científicos necesitan ver no solo qué células están presentes, sino qué están haciendo realmente. Durante décadas, los mapas más detallados de la actividad tisular han dependido de la medición del ARN, las instrucciones moleculares que las células utilizan para construir proteínas. Sin embargo, el ARN es solo el plano; las proteínas mismas son los trabajadores, las máquinas y las señales que realmente llevan a cabo el trabajo. Si bien ahora podemos mapear dónde están activos los genes en una muestra de tejido, medir las proteínas reales en esas mismas ubicaciones precisas ha sido difícil, costoso y lento. Este vacío deja a los investigadores con una imagen parcial, conociendo los planos pero perdiendo de vista el sitio de construcción.

Una nueva herramienta computacional llamada SPRINT ofrece una forma de llenar estos detalles faltantes. Al combinar dos tipos de datos que ya están comúnmente disponibles —imágenes de microscopio de tejidos y mapas de actividad génica—, SPRINT puede predecir dónde se encuentran proteínas específicas con alta precisión. Los investigadores detrás de este trabajo, basados en el Instituto de Tecnología de Harbin, desarrollaron un sistema que aprende la relación entre cómo se ve un tejido bajo un microscopio, qué genes están encendidos y dónde terminan las proteínas resultantes. Una vez entrenado, este sistema puede reconstruir mapas de proteínas detallados para secciones de tejido donde las proteínas nunca fueron medidas directamente, convirtiendo efectivamente los portaobjetos de microscopio estándar y los mapas de genes en atlas de proteínas exhaustivos.

El desafío de mapear proteínas en el espacio es significativo porque las proteínas se comportan de manera diferente a los genes. Algunas proteínas están estrechamente vinculadas a la forma física del tejido, como aquellas que forman las paredes de los vasos sanguíneos o la capa externa de la piel, lo que las hace fáciles de detectar en una imagen de microscopio. Otras, sin embargo, están involucradas en complejas señalizaciones químicas o respuestas inmunitarias que no dejan un rastro visual claro. Los métodos tradicionales que dependen únicamente de imágenes de microscopio suelen pasar por alto estas proteínas invisibles, mientras que los métodos que dependen solo de mapas de genes pueden ser inexactos porque la cantidad de una proteína en una célula no siempre coincide con la cantidad de sus instrucciones génicas correspondientes. Los investigadores descubrieron que depender de solo una de estas fuentes limita la capacidad de ver la imagen completa.

Para resolver esto, el equipo creó un marco de trabajo que trata la imagen del microscopio y el mapa de genes como dos lenguajes complementarios que describen la misma realidad biológica. El sistema primero observa la imagen del tejido para comprender la estructura física, como la disposición de las células y la textura del tejido. Luego, observa los datos de expresión génica para comprender el estado molecular de esas células. Al fusionar estos dos flujos de información, el modelo aprende a predecir las ubicaciones de las proteínas incluso cuando la proteína no es obvia en la imagen o cuando las instrucciones genéticas son un mal predictor de la cantidad final de proteína. El sistema está diseñado para ser flexible, manejando tanto imágenes de alta resolución que muestran detalles de células individuales como imágenes de menor resolución que capturan patrones tisulares más amplios, asegurando que funcione en diferentes tipos de equipos de laboratorio.

Los investigadores probaron este enfoque en una variedad de muestras biológicas para ver si podía generalizarse más allá de los datos específicos con los que fue entrenado. Comenzaron con tejido de amígdala humana, entrenando el modelo en una sección y luego pidiéndole que predijera las ubicaciones de las proteínas en una sección completamente diferente de una persona distinta. El sistema reconstruyó con éxito los patrones espaciales de docenas de proteínas, incluyendo aquellas involucradas en la defensa inmunitaria y la estructura del tejido. Funcionó mejor que los métodos existentes que dependían de imágenes o genes por sí solos, capturando con precisión tanto la organización amplia del tejido como los detalles finos de la distribución proteica local. Esta eficacia se mantuvo incluso cuando los investigadores probaron el modelo en tejido de bazo de ratón, que fue imaginado a una resolución mucho menor, demostrando que el sistema podía adaptarse a diferentes calidades de imagen sin perder su poder predictivo.

Quizás la prueba más rigurosa involucró una muestra de cerebro humano, donde los investigadores dividieron una sola sección de tejido diagonalmente. Entrenaron el modelo en una mitad y le pidieron que predijera el paisaje de proteínas de la otra mitad, una región que nunca había visto y que contenía diferentes tipos de células en diferentes proporciones. A pesar de esta separación espacial y del cambio en la composición celular, el modelo reconstruyó con precisión los patrones de proteínas a través de la región no vista. Identificó correctamente programas biológicos complejos, como áreas de activación inmunitaria y reparación de tejidos, demostrando que había aprendido las reglas fundamentales que conectan la estructura del tejido, la actividad génica y la ubicación de las proteínas, en lugar de simplemente memorizar la disposición específica de la muestra de entrenamiento.

La utilidad de este enfoque se extiende más allá de solo llenar datos faltantes. Cuando los investigadores utilizaron los mapas de proteínas reconstruidos para ayudar a identificar regiones distintas dentro del tejido, los resultados fueron signific oamente más claros que cuando se usaron los datos de genes o imágenes por sí solos. En las muestras de bazo y cerebro de ratón, añadir la información de la proteína predicha ayudó a la computadora a distinguir entre zonas anatómicas que antes estaban difuminadas, como la zona marginal del bazo. Esto sugiere que los mapas de proteínas generados por el sistema proporcionan un nivel de detalle biológico que es esencial para comprender cómo se organizan los tejidos y cómo responden a las enfermedades.

Los investigadores también exploraron si este método podría funcionar a través de especies y para moléculas distintas a las proteínas. Entrenaron el modelo en tejido mamario humano y lo aplicaron al tejido mamario de ratón, prediciendo con éxito las ubicaciones de las proteínas en la muestra de ratón sin haber visto nunca datos de proteínas de ratón durante el entrenamiento. Esto indica que las relaciones entre la estructura del tejido, los genes y las proteínas son lo suficientemente conservadas como para ser transferibles entre humanos y ratones. Además, probaron el marco de trabajo en metabolitos, las pequeñas moléculas que las células utilizan para la energía y la señalización. Al entrenar el sistema directamente con datos de metabolitos, pudieron reconstruir mapas espaciales de estas moléculas en un cerebro de ratón, mostrando que la estrategia subyacente no se limita a las proteínas, sino que puede adaptarse para reconstruir diversos tipos de paisajes moleculares.

Este trabajo establece una nueva forma de extraer el máximo valor de los datos biológicos existentes. Muchos laboratorios de investigación ya poseen vastos archivos de imágenes de tejidos y mapas de genes, pero los datos de proteínas para estas muestras suelen ser incompletos o inexistentes. SPRINT proporciona un marco general para completar estos perfiles moleculares espaciales, permitiendo a los científicos inferir la presencia y ubicación de proteínas, y potencialmente otras moléculas, a través de diversos tejidos, especies y condiciones de imagen. Al cerrar la brecha entre lo que podemos medir fácilmente y lo que necesitamos saber, esta herramienta abre la puerta a una comprensión más completa de la arquitectura molecular de la vida, transformando instantáneas parciales en visiones exhaustivas de cómo se construyen y funcionan los tejidos.