SPRINT enables spatial proteomic profile reconstruction through multimodal fusion of histology and transcriptomics
SPRINTは、空間トランスクリプトミクスとH&E染色組織画像を融合させることで空間的プロテオーム・プロファイルを再構成するマルチモーダルな計算フレームワークであり、それによって単一モダリティ手法の限界を克服し、タンパク質分布の正確な推論、種を越えた解析のサポート、および組織ドメイン特性の強化を実現する。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 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静的な集合体ではありません。それは、異なる「近隣住区」が特定の役割を果たす、ダイナミックで組織化された都市です。科学者がこれらの都市がいかに機能しているか（特に健康や疾患において）を理解するためには、どの細胞が存在するかだけでなく、それらが実際に何をしているのかを見る必要があります。数十年にわたり、組織活動の詳細な地図は、細胞がタンパク質を構築するために使用する分子指示書であるRNAの測定に依存してきました。しかし、RNAはあくまで設計図に過ぎません。プロテインそのものが、実際の作業を行う労働者であり、機械であり、信号なのです。現在では、組織サンプル内のどこで遺伝子が活性化しているかをマッピングすることは可能になりましたが、同じ精密な場所における実際のタンパク質を測定することは困難でした。これは時間とコストがかかるためです。このギャップにより、研究者は計画を知りながらも建設現場を見落としているという、不完全な全体像しか把握できない状況にあります。
SPRINTと呼ばれる新しい計算ツールは、これら欠落した詳細を埋める方法を提供します。すでに一般的に利用可能な2種類のデータ――組織の顕微鏡画像と遺伝子活動のマッピング――を組み合わせることで、SPR型は特定のタンパク質がどこに位置するかを高精度に予測できます。ハービン工業大学の研究チームによるこの成果は、組織が顕微鏡下でどのように見えるか、どのような遺伝子がオンになっているか、そして結果として生成されるタンパク質がどこに配置されるかという関係性を学習するシステムを開発しました。一度訓練されれば、このシステムは、タンパク質が直接測定されていない組織切片に対しても詳細なタンパク質のマップを再構成でき、標準的な顕微鏡スライドと遺伝子マップを包括的なタンパク質アトラスへと変貌させることができます。
空間におけるタンパク質のマッピングが大きな課題となるのは、タンパク質が遺伝子とは異なる挙動を示すからです。一部のタンパク質は、血管壁や皮膚の外層のように組織の物理的形状と密接に関連しており、顕微鏡画像から特定するのが容易です。しかし、他のタンキ質は複雑な化学的シグナル伝達や免疫反応に関与しており、明確な視覚的痕跡を残しません。顕微鏡画像のみに頼る従来の方法では、これらの目に見えないタンパク質を見逃すことが多く、一方で遺伝子マップのみに頼る方法は、細胞内のタンパク質量が必ずしも対応する遺伝子の指示量と一致しないため、不正確になることがあります。研究者たちは、一方のソースだけに頼ることによって、全容を捉える能力が制限されることを見出しました。
これを解決するために、チームは顕微鏡画像と遺伝子マップを、「同一の生物学的現実を描写する補完的な二つの言語」として扱うフレームワークを作成しました。まず、システムは組織画像を見て、細胞の配列や組織の質感といった物理的構造を理解します。次に、遺伝子発現データを見て、それらの細胞の分子状態を理解します。これら二つの情報の流れを融合させることで、モデルは、（たとえそれが）画像上で明白でないタンパク質であっても、あるいは遺伝子の指示が最終的なタンパク質量に対して精度の低い予測因子であったとしても、タンパク質の所在を予測することを学びます。このシステムは柔軟性に優れており、個々の細胞の詳細を示す高解像度画像から、より広範な組織パターンを捉える低解像度画像まで幅広く扱えるよう設計されており、さまざまなラボ機器に対応可能です。
研究者たちは、この手法が特定のデータを超えて汎用性を持つかどうかを確認するために、多様な生物学的サンプルを用いてテストを行いました。彼らはヒトの扁桃組織から開始し、一つのセクションでモデルを訓練した後、全く別の人物の完全に異なるセクションに対してタンパク質の位置を予測させました。システムは、免疫防御や組織構造に関わる数十種類のタンパク質の空間パターンを正常に再構成できました。また、画像の解像度が大幅に低いマウスの脾臓組織でも成功しており、システムの予測力が低下することなく、異なる画像品質に適応できることを証明しました。
おそらく最も厳格なテストとなったのは、人間の脳サンプルを用いたものです。研究者たちは、単一の組織切片を対角線状に分割しました。そして、一方の半分を使ってモデルを訓練し、もう一方の半分（これまで見たことがない領域であり、含まれる細胞の種類や割合も異なる部分）に対してタンパク質の景観を予測させました。この空間的分離と細胞組成の変化にもかかわらず、モデルは未知の領域におけるタンパク質パターンを正確に再構成しました。モデルは、免疫活性化や組織修復が行われているエリアなどの複雑な生物学的プログラムを正しく識別しました。これは、モデルが単にトレーニングサンプルのレイアウトを暗記したのではなく、組織構造、遺伝子活動、およびタンパク質の所在地を結びつける根本的なルールを学んだことを示しています。
このアプローチの有用性は、単に欠損データを埋めることにとどまりません。研究者が再構成されたタンパク質マップを使用して組織内の明確な領域を特定しようとした際、得られた結果は、遺伝子データや画像のみを使用した場合よりも有意に鮮明でした。マウスの脾臓と脳のサンプルにおいて、予測されたタンパク質情報を加えることは、以前は混ざり合って不明瞭だった解剖学的ゾーン（例えば脾臓の辺縁帯など）をコンピュータが判別する助けとなりました。このことは、本システムによって生成されたタンパク質マップが、組織がいかに組織化され、いかに疾患に応答するかを理解するための不可欠なレベルの生物学的詳細を提供していることを示唆しています。
さらに研究者たちは、この手法が種の違いやタンパク質以外の分子に対しても有効かどうかを探求しました。彼らはヒトの乳房組織でモデルを訓練し、それをマウスの乳房組織に適用しましたが、マウスのタンパク質データを目視することなく、マウスのサンプルにおけるタンパク質の位置を予測することに成功しました。これは、組織構造、遺伝子、およびタンパク質の間の関係性が十分に保存されているため、人間とマウスの間で転移が可能であることを示しています。加えて、彼らは代謝物（細胞がエネルギーやシグナル伝達に使用する小さな分子）についてもこの枠組みをテストしました。代謝物データを用いてシステムを直接訓練することで、マウスの脳内におけるこれらの分子の空間マップを再構成することができ、基礎となる戦略がタンパク質に限られず、様々なタイプの分子ランドスケープを再構成するために適応可能であることを示しました。
この研究は、既存の生物学的データから最大限の価値を引き出すための新しい方法を確立しました。多くの研究室には、組織画像や遺伝子マップの膨大なアーカイブが既に存在していますが、それらのサンプルに対するタンパク質データは不足していたり不完全であったりすることがよくあります。SPRINTは、これらの空間的な分子プロフィールを完成させるための一般的なフレームワークを提供し、科学者が多様な組織、種、およびイメージング条件にわたって、タンパク質やその他の分子の存在とその位置を推論できるようにします。簡単に測定できるものと、知る必要があるものの間にある溝を埋めることで、このツールは生命の分子構造に関するより完全な理解への扉を開き、断片的なスナップショットを、組織がいかに構築され、いかに機能しているかという包括的なビューへと変貌させているのです。
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。