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

Les tissus ne sont pas de simples collections statiques de cellules ; ce sont des villes dynamiques et organisées où différents quartiers accomplissent des tâches spécifiques. Pour comprendre comment ces villes fonctionnent, particulièrement en matière de santé et de maladie, les scientifiques doivent voir non seulement quelles cellules sont présentes, mais ce qu'elles font réellement. Pendant des décennies, les cartes les plus détaillées de l'activité tissulaire ont reposé sur la mesure de l'ARN, les instructions moléculaires que les cellules utilisent pour construire des protéines. Cependant, l'ARN n'est que le plan ; les protéines elles-mêmes sont les ouvriers, les machines et les signaux qui exécutent réellement le travail. Bien que nous puissions désormais cartographier où les gènes sont actifs dans un échantillon de tissu, mesurer les protéines réelles dans ces mêmes emplacements précis a été difficile, coûteux et lent. Cette lacune laisse les chercheurs avec une image partielle, connaissant les plans mais manquant le chantier de construction.

Un nouvel outil computationnel appelé SPRINT offre un moyen de combler ces détails manquants. En combinant deux types de données déjà couramment disponibles — des images de tissus au microscope et des cartes d'activité génique — SPRINT peut prédire où se situent des protéines spécifiques avec une grande précision. Les chercheurs derrière ce travail, basés à l'Institut de technologie de Harbin, ont développé un système qui apprend la relation entre l'apparence d'un tissu sous un microscope, les gènes qui sont activés et l'endroit où les protéines résultantes finissent par se trouver. Une fois entraîné, ce système peut reconstruire des cartes protéiques détaillées pour des coupes de tissus où les protéines n'ont jamais été directement mesurées, transformant ainsi des lames de microscope standards et des cartes de gènes en atlas protéiques complets.

Le défi de la cartographie spatiale des protéines est important car les protéines se comportent différemment des gènes. Certaines protéines sont étroitement liées à la forme physique du tissu, comme celles qui forment les parois des vaisseaux sanguins ou la couche externe de la peau, ce qui les rend faciles à repérer dans une image microscopique. D'autres, cependant, sont impliquées dans des processus complexes de signalisation chimique ou de réponses immunitaires qui ne laissent pas de trace visuelle claire. Les méthodes traditionnelles qui ne reposent que sur des images microscopiques manquent souvent ces protéines invisibles, tandis que les méthodes qui ne reposent que sur des cartes de gènes peuvent être imprécises car la quantité d'une protéine dans une cellule ne correspond pas toujours à la quantité de ses instructions géniques correspondantes. Les chercheurs ont découvert que s'appuyer sur une seule de ces sources limite la capacité à voir l'image complète.

Pour résoudre cela, l'équipe a créé un cadre qui traite l'image du microscope et la carte de gènes comme deux langages complémentaires décrivant la même réalité biologique. Le système examine d'abord l'image du tissu pour comprendre la structure physique, telle que l'arrangement des cellules et la texture du tissu. Il examine ensuite les données d'expression génique pour comprendre l'état moléculaire de ces cellules. En fusionnant ces deux flux d'informations, le modèle apprend à prédire les emplacements des protéines même lorsque la protéine n'est pas évidente dans l'image ou lorsque les instructions géniques sont un mauvais prédicteur de la quantité finale de protéines. Le système est conçu pour être flexible, gérant à la fois des images à haute résolution montrant les détails de cellules individuelles et des images à plus basse résolution capturant des motifs tissulaires plus larges, garantissant qu'il fonctionne à travers différents types d'équipements de laboratoire.

Les chercheurs ont testé cette approche sur une variété d'échantillons biologiques pour voir si elle pouvait se généraliser au-delà des données spécifiques sur lesquelles elle a été entraînée. Ils ont commencé par du tissu de tonsille humaine, entraînant le modèle sur une section, puis demandant de prédire les emplacements des protéines dans une section complètement différente provenant d'une autre personne. Le système a reconstruit avec succès les motifs spatiaux de dizaines de protéines, y compris celles impliquées dans la défense immunitaire et la structure tissulaire. Il a été plus performant que les méthodes existantes qui reposent soit sur les images, soit sur les gènes seuls, capturant avec précision à la fois l'organisation globale du tissu et les détails fins de la distribution locale des protéines. Ce succès s'est maintenu même lorsque les chercheurs ont testé le modèle sur du tissu de rate de souris, qui était imagé à une résolution beaucoup plus faible, prouvant que le système peut s'adapter à différentes qualités d'image sans perdre son pouvoir prédictif.

L'un des tests les plus rigoureux impliquait un échantillon de cerveau humain, où les chercheurs ont divisé une seule section de tissu diagonalement. Ils ont entraîné le modèle sur une moitié et lui ont demandé de prédire le paysage protéique de l'autre moitié, une région qu'il n'avait jamais vue auparavant et qui contenait des types de cellules différents en proportions différentes. Malgré cette séparation spatiale et le changement de composition cellulaire, le modèle a reconstruit avec précision les motifs protéiques à travers la région non vue. Il a correctement identifié des programmes biologiques complexes, tels que les zones d'activation immunitaire et de réparation tissulaire, démontrant qu'il avait appris les règles fondamentales reliant la structure tissulaire, l'activité génique et l'emplacement des protéines, plutôt que de simplement mémoriser la disposition spécifique de l'échantillon d'entraînement.

L'utilité de cette approche s'étend au-delà du simple remplissage de données manquantes. Lorsque les chercheurs ont utilisé les cartes protéiques reconstruites pour aider à identifier des régions distinctes au sein du tissu, les résultats étaient nettement plus clairs que lorsqu'ils utilisaient uniquement les données de gènes ou les images. Dans les échantillons de rate et de cerveau de souris, l'ajout des informations protéiques prédites a aidé l'ordinateur à distinguer des zones anatomiques qui étaient auparavant floues et confondues, comme la zone marginale de la rate. Cela suggère que les cartes protéiques générées par le système fournissent un niveau de détail biologique essentiel pour comprendre comment les tissus sont organisés et comment ils répondent aux maladies.

Les chercheurs ont également exploré si cette méthode pouvait fonctionner entre espèces et pour d'autres molécules que les protéines. Ils ont entraîné le modèle sur du tissu mammaire humain et l'ont appliqué au tissu mammaire de souris, prédisant avec succès les emplacements des protéines dans l'échantillon de souris sans jamais avoir vu de données protéiques de souris pendant l'entraînement. Cela indique que les relations entre la structure tissulaire, les gènes et les protéines sont suffisamment conservées pour être transférées entre l'humain et la souris. De plus, ils ont testé le cadre sur les métabolites, les petites molécules que les cellules utilisent pour l'énergie et la signalisation. En entraînant le système directement sur des données de métabolites, ils ont pu reconstruire des cartes spatiales de ces molécules dans un cerveau de souris, montrant que la stratégie sous-jacente n'est pas limitée aux protéines mais peut être adaptée pour reconstruire divers paysages moléculaires.

Ce travail établit une nouvelle façon d'extraire la valeur maximale des données biologiques existantes. De nombreux laboratoires de recherche possèdent déjà de vastes archives d'images de tissus et de cartes de gènes, mais les données protéiques pour ces échantillons sont souvent manquantes ou incomplètes. SPRINT fournit un cadre général pour compléter ces profils moléculaires spatiaux, permettant aux scientifiques d'inférer la présence et l'emplacement des protéines, et potentiellement d'autres molécules, à travers divers tissus, espèces et conditions d'imagerie. En comblant le fossé entre ce que nous pouvons facilement mesurer et ce que nous devons savoir, cet outil ouvre la porte à une compréhension plus complète de l'architecture moléculaire de la vie, transformant des instantanés partiels en vues complètes de la façon dont les tissus sont construits et fonctionnent.