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

I tessuti non sono semplici collezioni statiche di cellule; sono città dinamiche e organizzate dove diversi quartieri svolgono compiti specifici. Per capire come funzionano queste città, specialmente in salute e in malattia, gli scienziati devono vedere non solo quali cellule sono presenti, ma cosa stanno effettivamente facendo. Per decenni, le mappe più dettagliate dell'attività tissutale si sono basate sulla misurazione dell'RNA, le istruzioni molecolari che le cellule usano per costruire le proteine. Tuttavia, l'RNA è solo il progetto; le proteine stesse sono i lavoratori, le macchine e i segnali che effettivamente portano a termine il lavoro. Sebbene oggi possiamo mappare dove i geni sono attivi in un campione di tessuto, misurare le proteine reali in quegli stessi luoghi precisi è stato difficile, costoso e lento. Questa lacuna lascia ai ricercatori un quadro parziale, conoscendo i piani ma perdendo di vista il cantiere.

Un nuovo strumento computazionale chiamato SPRINT offre un modo per colmare questi dettagli mancanti. Combinando due tipi di dati che sono già comunemente disponibili — immagini microscopiche di tessuti e mappe di attività genica — SPRINT può prevedere con alta precisione dove si trovano le proteine specifiche. I ricercatori dietro questo lavoro, basati presso l'Istituto di Tecnologia di Harbin, hanno sviluppato un sistema che apprende la relazione tra l'aspetto di un tessuto sotto il microscopio, quali geni sono attivati e dove finiscono le proteine risultanti. Una volta addestrato, questo sistema può ricostruire mappe proteiche dettagliate per sezioni di tessuto in cui le proteine non sono mai state misurate direttamente, trasformando efficacemente i normali vetrini microscopici e le mappe geniche in completi atlanti proteici.

La sfida di mappare le proteine nello spazio è significativa perché le proteine si comportano diversamente dai geni. Alcune proteine sono strettamente legate alla forma fisica del tessuto, come quelle che formano le pareti dei vasi sanguigni o lo strato esterno della pelle, rendendole facili da individuare in un'immagine microscopica. Altre, tuttavia, sono coinvolte in complessi segnali chimici o risposte immunitarie che non lasciano una traccia visiva chiara. I metodi tradizionali che si affidano solo alle immagini microscopiche spesso perdono queste proteine invisibili, mentre i metodi che si affidano solo alle mappe geniche possono essere imprecisi perché la quantità di una proteina in una cellula non sempre corrisponde alla quantità delle sue istruzioni genetiche corrispondenti. I ricercatori hanno scoperto che fare affidamento su una sola di queste fonti limita la capacità di vedere il quadro completo.

Per risolvere questo problema, il team ha creato un framework che tratta l'immagine al microscopio e la mappa genica come due linguaggi complementari che descrivono la stessa realtà biologica. Il sistema osserva prima l'immagine del tessuto per comprendere la struttura fisica, come la disposizione delle cellule e la texture del tessuto. Successivamente, esamina i dati di espressione genica per comprendere lo stato molecolare di quelle cellule. Fondendo questi due flussi di informazioni, il modello impara a prevedere le posizioni delle proteine anche quando la proteina non è evidente nell'immagine o quando le istruzioni genetiche sono un cattivo predittore della quantità finale di proteina. Il sistema è progettato per essere flessibile, gestendo sia immagini ad alta risoluzione che mostrano i dettagli delle singole cellule, sia immagini a bassa risoluzione che catturano modelli tissutali più ampi, garantendo che funzioni attraverso diversi tipi di apparecchiature di laboratorio.

I ricercatori hanno testato questo approccio su una varietà di campioni biologici per vedere se potesse generalizzare oltre i dati specifici su cui era stato addestrato. Hanno iniziato con il tessuto della tonsilla umana, addestrando il modello su una sezione e poi chiedendogli di prevedere le posizioni delle proteine in una sezione completamente diversa appartenente a una persona diversa. Il sistema ha ricostruuto con successo i pattern spaziali di decine di proteine, incluse quelle coinvolte nella difesa immunitaria e nella struttura tissutale. Ha ottenuto prestazioni migliori rispetto ai metodi esistenti che si basavano solo su immagini o geni, catturando accuratamente sia l'organizzazione generale del tessuto che i dettagli fini della distribuzione proteica locale. Questo successo è rimasto valido anche quando i ricercatori hanno testato il modello sul tessuto della milza di topo, che era stato acquisito a una risoluzione molto più bassa, dimostrando che il sistema può adattarsi a diverse qualità di immagine senza perdere il suo potere predittivo.

Forse il test più rigoroso ha coinvolto un campione di cervello umano, dove i ricercatori hanno diviso una singola sezione di tessuto diagonalmente. Hanno addestrato il modello su una metà e gli hanno chiesto di prevedere il panorama proteico dell'altra metà, una regione che non aveva mai visto prima e che conteneva diversi tipi di cellule in proporzioni differenti. Nonostante questa separazione spaziale e il cambiamento nella composizione cellulare, il modello ha ricostruito accuratamente i pattern proteici attraverso la regione non vista. Ha identificato correttamente complessi programmi biologici, come le aree di attivazione immunitaria e di riparazione tissutale, dimostrando di aver appreso le regole fondamentali che collegano la struttura tissutale, l'attività genica e la localizzazione proteica, piuttosto che aver semplicemente memorizzato la disposizione specifica del campione di addestramento.

L'utilità di questo approccio va oltre il semplice riempimento di dati mancanti. Quando i ricercatori hanno utilizzato le mappe proteiche ricostruite per aiutare a identificare regioni distinte all'interno del tessuto, i risultati sono stati significativamente più chiari rispetto all'uso dei soli dati genici o delle immagini. Nei campioni di milza e cervello di topo, l'aggiunta delle informazioni proteiche predette ha aiutato il computer a distinguere tra zone anatomiche precedentemente confuse tra loro, come la zona marginale della milza. Ciò suggerisce che le mappe proteiche generate dal sistema forniscono un livello di dettaglio biologico essenziale per comprendere come i tessuti siano organizzati e come rispondano alle malattie.

I ricercatori hanno anche esplorato se questo metodo potesse funzionare tra specie diverse e per molecole diverse dalle proteine. Hanno addestrato il modello sul tessuto mammario umano e lo hanno applicato al tessuto mammario di topo, prevedendo con successo la posizione delle proteine nel campione di topo senza aver mai visto dati proteici del topo durante l'addestramento. Ciò indica che le relazioni tra struttura tissutale, geni e proteine sono abbastanza conservate da poter essere trasferite tra esseri umani e topi. Inoltre, hanno testato il framework sui metaboliti, le piccole molecole che le cellule usano per l'energia e la segnalazione. Addestrando il sistema direttamente sui dati dei metaboliti, sono stati in grado di ricostruire mappe spaziali di queste molecole in un cervello di topo, mostrando che la strategia sottostante non è limitata alle proteine ma può essere adattata per ricostruire vari tipi di paesaggi molecolari.

Questo lavoro stabilisce un nuovo modo per estrarre il massimo valore dai dati biologici esistenti. Molti laboratori di ricerca possiedono già vasti archivi di immagini tissutali e mappe geniche, ma i dati proteici per questi campioni sono spesso mancanti o incompleti. SPRINT fornisce un framework generale per completare questi profili molecolari spaziali, permettendo agli scienziati di inferire la presenza e la posizione di proteine, e potenzialmente di altre molecole, attraverso diversi tessuti, specie e condizioni di imaging. Colmando il divario tra ciò che possiamo misurare facilmente e ciò che abbiamo bisogno di sapere, questo strumento apre la porta a una comprensione più completa dell'architettura molecolare della vita, trasformando istantanee parziali in viste complete di come i tessuti sono costruiti e funzionano.