VINTER: a generative vision-language model for annotating and interrogating spatial tissues

I tessuti non sono solo mappe piatte di cellule; sono complessi quartieri tridimensionali dove l'identità di una singola cellula dipende fortemente da chi vive accanto a lei. Nel corpo umano, la funzione di una cellula è spesso dettata dal suo ambiente circostante, proprio come il ruolo di una persona in una comunità cambia in base alle persone con cui interagisce quotidianamente. Per decenni, gli scienziati hanno lottato per leggere questi quartieri in un modo unico e unificato. Potevano osservare il tessuto al microscopio per vederne la forma e la struttura, oppure potevano misurare i segnali chimici all'interno delle cellule per comprenderne l'attività, ma fare entrambe le cose simultaneamente è stato difficile. I metodi tradizionali spesso impongono una scelta: descrivere il tessuto attraverso il suo aspetto visivo o attraverso la sua firma molecolare, raramente permettendo ai due di dialogare in tempo reale. Questa separazione lascia un vuoto nella comprensione di come la disposizione fisica di un tumore o di un organo influenzi il comportamento delle cellule al suo interno.

Un nuovo approccio chiamato VINTER mira a colmare questo divario trattando il tessuto come una storia unica e leggibile. I ricercatori hanno sviluppato un modello computazionale in grado di guardare l'immagine di un campione di tessuto, leggere l'elenco dei geni attivi in un punto specifico e considerare simultaneamente l'attività genica dei sei punti circostanti. Invece di costringere il computer a scegliere tra l'immagine e i geni, il modello legge tutte e tre le fonti — la struttura visiva, i geni locali e il contesto del quartiere — come una singola sequenza continua di informazioni. Ciò consente al sistema di prendere una decisione su che tipo di tessuto sta osservando, mantenendo al contempo un registro preciso di quali pezzi di evidenza abbiano portato a tale conclusione. Poiché l'informazione genetica viene presentata come un elenco di nomi piuttosto che come numeri astratti, i ricercatori possono modificare l'input, rimuovendo o riorganizzando geni specifici per vedere come cambia la decisione del modello. Questo trasforma il processo di identificazione del tessuto da un'etichetta statica a un'interrogazione interattiva, dove gli scienziati possono porre domande del tipo "e se..." sulla composizione del tessuto.

Il team ha testato questo sistema su una varietà di sfide biologiche, partendo dal cervello umano. Hanno chiesto al modello di identificare i diversi strati della corteccia cerebrale, un compito in cui ha superato i metodi esistenti che si affidano esclusivamente ai dati genetici o ai dati d'immagine da soli. Il modello ha raggiunto un alto livello di precisione, identificando correttamente gli strati corticali nella stragrande maggioranza dei casi. Ancora più importante, il sistema ha dimostrato una straordinaria capacità di trasferire la propria conoscenza a nuove situazioni senza necessità di essere riaddestrato. Quando i ricercatori hanno applicato un modello addestrato su dati di tumo al seno a un gruppo completamente diverso di pazienti con tumore al seno triplo negativo, esso ha identificato con successo tipi di tessuto che non aveva mai visto prima. Ciò suggerisce che il modello abbia appreso un linguaggio fondamentale dell'organizzazione dei tessuti che si applica a diverse malattie e pazienti, piuttosto che aver semplicemente memorizzato esempi specifici.

Una delle scoperte più sorprendenti è arrivata dallo studio delle strutture linfoidi terziarie, ovvero piccoli cluster organizzati di cellule immunitarie che si formano all'interno dei tumori e possono influenzare il modo in cui il corpo combatte il cancro. I ricercatori hanno utilizzato la capacità del modello di modificare gli input per capire esattamente quali segnali queste strutture inviano all'ambiente circostante. Hanno scoperto che il giudizio del modello sulla natura "matura" o "immatura" di una struttura dipendeva da due programmi opposti di attività genica nel quartiere. Un programma, guidato dalle cellule B follicolari, rendeva la struttura più matura, mentre un altro, guidato dalle plasmacellule che producono anticorpi, la rendeva meno matura. Mappando questi segnali sul tessuto, hanno scoperto un modello spaziale nascosto: i segoli organizzativi maturi erano concentrati al centro della struttura, mentre i segnali produttori di anticorpi venivano spinti verso i bordi esterni. Ciò ha rivelato che la "maturità" di questi hub immunitari non è uno stato singolo, ma un equilibrio dinamico tra un nucleo e una periferia, una sfumatura che i metodi standard avrebbero mancato.

La potenza di questo approccio si è estesa anche al ritrovamento di dettagli nascosti nel tumore al seno triplo negativo, una malattia nota per la sua complessità. In molti casi, i patologi etichettano una regione di tessuto come "stroma", ovvero tessuto connettivo, una categoria ampia che può nascondere differenze significative. Il modello, tuttavia, ha esaminato la probabilità di ogni possibile tipo di tessuto per ogni punto e ha scoperto che, all'interno di queste regioni stromali etichettate in modo ampio, esistevano zone distinte di attività immunitaria. Alcune aree erano ricche di cellule immunitarie e mostravano segni di una risposta infiammatoria attiva, mentre altre erano calme e silenziose. Questa capacità di vedere le zone "calde" e "fredde" all'interno di un'unica etichetta ha aiutato i ricercatori a identificare un tipo specifico di ambiente immunitario noto per rispondere bene a determinati trattamenti oncologici. Inoltre, osservando le probabilità secondarie del modello, sono stati in grado di segnalare punti che erano stati etichettati come benigni ma che in realtà contenevano cellule cancerose nascoste. Esaminando questi punti segnalati, hanno recuperato quasi la metà del cancro che era stato mancato dall'approccio standard a etichetta singola, particolarmente nei sottotipi più aggressivi della malattia.

Infine, i ricercatori hanno dimostrato che questo metodo funziona attraverso diverse scale di osservazione, dai grandi campioni di tessuto fino alle singole cellule. Hanno applicato lo stesso modello a dati ad alta risoluzione del cancro del colon-retto, dove ha identificato con successo strutture immunitarie e distinto tra diversi tipi di cellule immunitarie senza alcun addestramento aggiuntivo. Il modello ha identificato correttamente che certe cellule immunitarie, specificamente quelle che producono un certo tipo di anticorpo, si radunavano ai bordi di queste strutture, mentre altre rimanevano al centro. Questa coerenza tra diverse tecnologie e risoluzioni suggerisce che il modello abbia catturato una comprensione robusta di come il tessuto sia organizzato. Trasformando l'annotazione spaziale in una lettura interrogabile del tessuto, VINTER offre un nuovo modo per esplorare i quartieri del corpo, permettendo agli scienziati di porre domande sulle prove che sostengono ogni decisione biologica e di vedere i modelli nascosti che definiscono salute e malattia.