VINTER: a generative vision-language model for annotating and interrogating spatial tissues
VINTERは、組織学的特徴、遺伝子発現、および空間的近傍を単一のシーケンスへと統合することで、多様なプラットフォームや解像度を横断して空間的な組織構造を正確に注釈および照会し、隠れた生物学的異質性を明らかにし、再学習を伴わない分子証拠の編集を可能にする生成ビジョン・ランゲージモデルである。
原論文は CC0 1.0 (https://creativecommons.org/publicdomain/zero/1.0/) のもとパブリックドメインに提供されています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
組織は単なる細胞の平坦な地図ではありません。それは、隣に誰が住んでいるかによって個々の細胞のアイデンティティが大きく左右される、複雑で三次元的な「近隣地域」なのです。人体において、細胞の機能はその周囲の環境によって決定されることが多く、これは、人が日々どのような人々と交流するかによって、そのコミュニティにおける役割が変わるのとよく似ています。数十年にわたり、科学者たちはこれらの「近隣地域」を単一の統一された方法で読み解くことに苦心してきました。顕微鏡で組織を見てその形状や構造を観察することもできましたし、細胞内の化学信号を測定してその活動を理解することもできましたが、これら両方を同時に行うことは困難でした。従来の手法では、組織を視覚的な外観で記述するか、あるいは分子的なシグネチャー（特徴）で記述するかという選択を迫られることが多く、両者をリアルタイムで対話させることはほとんどありませんでした。この分離により、腫瘍や臓器の物理的な配置が、その中にある細胞の挙動にどのように影響を与えるのかという理解に、空白が生じていました。
VINTERと呼ばれる新しいアプローチは、組織を一つの「読み取可能な物語」として扱うことで、この空白を埋めることを目指しています。研究者たちは、組織サンプルの画像を見ることができ、特定の地点における活性遺伝子のリストを読み取り、さらにその周囲6箇所の地点の遺伝子活動を同時に考慮できるコンピュータモデルを開発しました。このモデルは、コンピュータに対して画像と遺伝子のどちらかを選ばせるのではなく、視覚的構造、局所的な遺伝子、そして近隣のコンテキスト（文脈）という3つの情報源を、一つの連続したシーケンスとして読み取ります。これにより、システムはそれがどのような種類の組織であるかを判断しながら、どの証拠がその結論に至ったのかという詳細な記録も保持することができます。遺伝情報が抽象的な数値ではなく名前のリストとして提示されるため、研究者は入力を編集し、特定の遺伝子を取り除いたり並べ替えたりすることで、モデルの判断がどのように変化するかを確認することができます。これにより、組織の同定プロセスは、静的なラベル付けから、組織の組成について「もし〜だったら」という問いを投げかけることができるインタラクティブな「尋問」へと変わります。
研究チームはこのシステムを、まずはヒトの脳を用いた様々な生物学的課題でテストしました。彼らはモデルに対し、大脳皮質の異なる層を特定させるという課題を与えましたが、これは遺伝子データのみ、あるいは画像データのみに依存する既存の手法よりも優れた性能を発揮しました。モデルは高い精度を達成し、大部分のケースにおいて大脳皮質の層を正しく特定しました。より重要なことに、このシステムは、再学習を必要とせずに新しい状況へと知識を転移させる驚異的な能力を示しました。研究者が、トリプルネガティブ乳がん患者の全く異なるグループに対して、乳がんのデータで学習させたモデルを適用したところ、モデルは未経験の組織タイプを特定することに成功しました。これは、モデルが単に特定の例を暗記しているのではなく、異なる疾患や患者間でも通用する、組織構成の根本的な「言語」を学習したことを示唆しています。
最も衝撃的な発見の一つは、三次リンパ構造の研究から得られました。これは腫瘍内に形成される、免疫細胞の小さく組織化されたクラスターであり、体がどのように癌と戦うかに影響を与える可能性があります。研究者たちは、入力の編集機能を用いることで、これらの構造が周囲にどのような信号を送っているのかを突き止めました。彼らは、構造が「成熟している」か「未熟である」かの判断が、近隣における2つの相反する遺伝子活動プログラムに依存していることを発見しました。一つのプログラムは濾胞性B細胞によって駆動され、構造をより成熟したものに見せますが、もう一つのプログラムは抗体を産生する形質細胞によって駆動され、構造をより未熟なものに見せます。これらの信号を組織上にマッピングすることで、彼らは隠れた空間パターンを発見しました。すなわち、成熟を促す信号は構造の中心部に集中している一方で、抗体を産生する信号は構造の非常に外縁部に押しやられているというものです。これにより、「成熟度」とは単一の状態ではなく、核（コア）と周辺部との間のダイナミックなバランスであることが明らかになりました。これは標準的な手法では見逃されてしまうニュアンスです。
このアプローチの力は、複雑さで知られるトリプルネガティブ乳がんにおける隠れた詳細を見つけ出すことにも及びました。多くのケースにおいて、病理医は組織の領域を「ストロマ（間質）」、つまり結合組織という広範なカテゴリーとしてラベル付けしますが、これは大きな違いを隠してしまうことがあります。しかし、モデルは各地点におけるあらゆる可能な組織タイプの確率を調べ、これらの広範にラベル付けされたストロマ領域の中に、明確な免疫活動のゾーンが存在することを発見しました。ある領域は免疫細胞が豊富で活発な炎症反応の兆候を示している一方で、別の領域は静かで沈黙していました。単一のラベル内にある「ホット」なゾーンと「コールド」なゾーンを見分けるこの能力により、研究者は特定の免疫環境を特定することができました。これは、特定の癌治療によく反応することが知られている環境です。さらに、モデルの二次確率を見ることで、良性とラベル付けされているものの、実際には隠れた癌細胞を含んでいる地点をフラグ立てすることができました。これらのフラグが立てられた地点を精査した結果、標準的なシングルラベルのアプローチでは見落とされていた癌のほぼ半分を回収することができました。これは特に、最も侵襲性の高いサブタイプにおいて顕著でした。
最後に、研究者たちは、この手法が個々の細胞から大きな組織サンプルに至るまで、異なるスケールの観察において機能することを示しました。彼らは同じモデルを大腸癌の高解像度データに適用し、追加の学習なしに免疫構造を特定し、異なる種類の免疫細胞を区別することに成功しました。モデルは、特定の型の抗体を産生する特定の免疫細胞が構造の縁に集まり、他の細胞は中心部に留まるということを正しく特定しました。異なるテクノロジーや解像度におけるこの一貫性は、モデルが組織がどのように構成されているかという強固な理解を捉えていることを示唆しています。空間的なアノテーション（注釈付け）を、問いかけ可能な組織の「読解」へと変えることで、VINTERは体内の「近隣地域」を探索する新しい方法を提供します。これにより、科学者はあらゆる生物学的な決定の背後にある証拠について問いを投げかけ、健康と疾患を定義する隠れたパターンを見出すことができるようになるのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。