SR2P: an efficient stacking method to predict protein abundance from gene expression in spatial transcriptomics data

SR2P is een efficiënt machine-learningkader dat de abundantie van eiwitten in ruimtelijke transcriptomics-data voorspelt op basis van genexpressie, waardoor de analyse van tumorimmunologie mogelijk wordt zonder dure multi-omics-metingen.

De kern

De Kern: Een "Vertaalmachine" voor Cellen

Stel je voor dat je een stad wilt begrijpen. Je hebt twee manieren om dit te doen:

1. De Lijst met Bestellingen (RNA): Je ziet welke winkels bestellingen hebben geplaatst. Dit vertelt je wat er gepland is om te gebeuren.
2. De Werkende Fabrieken (Eiwitten): Je ziet wat er daadwerkelijk op de vloer wordt geproduceerd en verkocht. Dit is wat er echt gebeurt.

In de biologie is RNA de bestelling en eiwitten het eindproduct. Vaak is de lijst met bestellingen niet helemaal hetzelfde als wat er in de fabriek gebeurt (soms wordt er meer besteld dan gemaakt, of andersom).

Het probleem is dat wetenschappers vaak alleen de "bestellijst" (RNA) hebben van cellen in een tumor. Ze missen de "fabriek" (eiwitten), omdat het meten van eiwitten heel duur en moeilijk is. Zonder die eiwitten is het lastig om te zien welke immuuncellen (de "politie" van het lichaam) waar zitten en of ze de tumor aan het aanvallen zijn.

De Oplossing: SR2P

De auteurs van dit papier hebben SR2P bedacht. Dit is een slim computerprogramma dat fungeert als een super-vertaler.

• Wat doet het? Het kijkt naar de RNA-bestellingen en voorspelt daaruit hoe de eiwitten eruit moeten zien.
• Hoe doet het dit? In plaats van één slimme computer te gebruiken, hebben ze een team van 11 verschillende experts samengesteld.
  • Sommige experts zijn goed in het zien van patronen in lijsten (zoals bomen die groeien in een bos).
  • Andere experts zijn goed in het begrijpen van de buurt (welke cellen zitten naast elkaar?).
  • SR2P laat al deze experts hun voorspelling doen en laat een "hoofdchef" (een meta-leraar) beslissen welke voorspelling het beste is. Dit heet stacking (op elkaar stapelen).

Waarom is dit zo handig?

1. Het ziet de buurt: Cellen communiceren met hun buren. SR2P kijkt niet alleen naar één cel, maar ook naar de cellen eromheen. Dit helpt het programma om te begrijpen waarom een cel zich zo gedraagt.
2. Het werkt voor oude data: Er zijn duizenden oude onderzoeken die alleen RNA-data hebben. Met SR2P kunnen wetenschappers nu ook de eiwitten "zien" in die oude data, zonder dat ze nieuwe, dure metingen hoeven te doen.
3. Het is snel: Het programma doet de berekening in een paar seconden.

Wat hebben ze ontdekt? (De Proef)

Ze hebben SR2P getest op tumoren van patiënten met keel- en halskanker.

• De "Onzichtbare" Immuuncellen: In sommige tumoren zagen ze met alleen RNA-data niet goed waar de macrofagen (een soort opruimcellen) zaten. Maar toen ze SR2P gebruikten om de eiwitten te voorspellen, zagen ze plotseling duidelijk waar deze cellen zich ophielden. Het was alsof ze een bril opzetten die de onzichtbare cellen zichtbaar maakt.
• Behandeling voorspellen: Ze konden zien welke patiënten waarschijnlijk zouden reageren op een nieuwe immunotherapie.
  • Patiënten die wel reageerden, hadden veel "soldaten" (T-cellen) in de tumor.
  • Patiënten die niet reageerden, hadden veel "onderdrukkers" (andere macrofagen) die de aanval blokkeerden.

De Grootste Les

Het programma werkt het beste als je het traint op hetzelfde type weefsel (bijvoorbeeld alleen op keelkanker) en het daar ook toepast. Als je het probeert te gebruiken op een heel ander type weefsel (bijvoorbeeld van de hersenen naar de borst), wordt het iets minder nauwkeurig. Dit komt omdat elke orgaansoort zijn eigen "taal" spreekt.

Samenvattend

SR2P is als een slimme tolk die een oude, onvolledige tekst (RNA) kan omzetten in een compleet verhaal met beelden (Eiwitten). Hierdoor kunnen artsen en onderzoekers beter begrijpen hoe een tumor werkt, waar de immuuncellen zitten, en welke patiënten het beste kunnen worden behandeld, zonder dat ze duizenden euro's hoeven uit te geven aan nieuwe dure tests.

Technische samenvatting

Probleemstelling

Ruimtelijke transcriptomics-technologieën (zoals 10x Genomics Visium) bieden waardevolle inzichten in de ruimtelijke organisatie van genexpressie binnen weefsels. Echter, de meeste beschikbare datasets bevatten uitsluitend RNA-gegevens. Dit vormt een beperking omdat eiwitten de functionele uitvoerders in cellen zijn en vaak de primaire therapeutische doelen vormen. De relatie tussen RNA en eiwit is complex en niet lineair, beïnvloed door post-transcriptionele regulatie, translatie en eiwitdegradatie. Bovendien vertonen ruimtelijke datasets vaak een discrepantie tussen RNA- en eiwitovervloed, vooral bij immuuncellen in het tumormicro-omgeving. Hoewel er nieuwe technologieën zijn voor gelijktijdige ruimtelijke multi-omics (RNA + eiwit), zijn deze technisch uitdagend, duur en hebben ze een lage doorvoer. Er is dus behoefte aan een kosteneffectieve methode om eiwitovervloed te voorspellen op basis van bestaande RNA-only ruimtelijke data.

Methodologie: SR2P Framework

De auteurs introduceren SR2P (Spatial RNA-to-Protein), een machine-learning framework dat gebruikmaakt van een stacking-strategie om eiwitovervloed te voorspellen vanuit ruimtelijke transcriptoomprofielen.

1. Architectuur: SR2P integreert de voorspellingen van 11 complementaire basisleerders (base learners) via een meta-learner.

   • Basisleerders: Het framework combineert drie categorieën van modellen:
     • Lineaire modellen: Partial Least Squares (PLS) regressie.
     • Boomgebaseerde ensemble-modellen (gradient boosting): XGBoost, LightGBM en CatBoost.
     • Graph Neural Networks (GNN): Graph Attention Networks (GAT), GraphSAGE en Dual Graph Attention Networks (DGAT).
   • Ruimtelijke augmentatie: Voor de niet-GNN-modellen worden ruimtelijke kenmerken expliciet toegevoegd. Dit gebeurt door de genexpressie van een "spot" te combineren met die van zijn vier directe buren (noord, zuid, oost, west), waardoor de lokale ruimtelijke context wordt vastgelegd zonder een expliciete graafstructuur te vereisen.
   • Meta-learner: De voorspellingen van de 11 basismodellen worden samengevoegd in een matrix van "out-of-fold predictions" (OOFP). Een ExtraTrees-model (Extremely Randomized Trees) fungeert als meta-learner om de uiteindelijke voorspelling te genereren.

2. Validatiestrategieën: De prestaties werden geëvalueerd onder drie biologisch relevante scenario's:

   • Within-sample: 10-voudige kruisvalidatie binnen één steekproef met behoud van ruimtelijke coherentie (via k-means clustering van coördinaten).
   • Within-tissue: Trainen op één biologische steekproef en testen op een andere van hetzelfde weefseltype (bijv. binnen HNSCC of Tonsil datasets).
   • Cross-tissue: Trainen op één weefseltype en testen op een volledig ander weefseltype om generaliseerbaarheid te testen.

Belangrijkste Bijdragen

• Ontwikkeling van SR2P: Een robuust stacking-framework dat de sterke punten van diverse ML-architecturen (lineair, boomgebaseerd en grafgebaseerd) combineert.
• Systematische Benchmarking: Een uitgebreide vergelijking van SR2P tegen 11 concurrenten (inclusief bestaande methoden zoals DGAT en sclinear) over zes verschillende ruimtelijke genomics-datasets (Breast Cancer, Glioblastoma, Tonsil, HNSCC).
• Biologische Toepassing: Demonstratie van het nut van voorspelde eiwitten voor het identificeren van immuunrijke regio's en het voorspellen van respons op immunotherapie (anti-PD1) bij hoofd-halskanker (HNSCC).
• Open Source: De code is beschikbaar gesteld via GitHub, wat de reproduceerbaarheid en adoptie bevordert.

Resultaten

• Prestatie: SR2P presteert consistent beter dan alle individuele basisleerders en bestaande methoden over alle evaluatiesettingen. Het behaalt de hoogste Spearman-correlaties en de laagste Root Mean Squared Error (RMSE).
• Invloed van Ruimtelijke Informatie: Het toevoegen van ruimtelijke kenmerken aan boomgebaseerde modellen (zoals CatBoost-Spatial en LightGBM-Spatial) leidde tot een significante verbetering ten opzichte van hun niet-ruimtelijke tegenhangers. GNN-modellen presteerden goed, maar waren over het algemeen minder robuust dan de ruimtelijk verrijkte boommodellen.
• Weefsel-specifiekheid:
  • Modellen presteerden het beste bij within-tissue validatie.
  • Bij cross-tissue validatie (trainen op het ene weefsel, testen op het andere) daalde de prestatie aanzienlijk voor alle modellen, wat aantoont dat de RNA-eiwitrelatie sterk weefselafhankelijk is. SR2P behield echter de beste generaliseerbaarheid vergeleken met andere methoden.
  • Immuunmarkers (zoals CD45, CD8) waren over het algemeen makkelijker te voorspellen dan markers met lage abundantie of sterke weefsel-specifieke expressiepatronen.
• Biologische Validatie (HNSCC):
  • Door voorspelde eiwitdata te combineren met RNA-data, kon SR2P macrofaag-rijke regio's in tumoren beter identificeren dan RNA-data alleen. Dit leidde tot een 9,7% toename in het detecteren van macrofaag-rijke ruimtelijke plekken.
  • Het framework onderscheidde succesvol tussen patiënten die wel of niet reageerden op immunotherapie. Responders toonden een hoger voorkomen van T-cel-markers (CD8A, CD45+), terwijl non-responders verrijkt waren met suppressieve myeloïde markers (CD68, CD14).
• Berekeningskosten: De inferentie-tijd voor SR2P is laag (enkele seconden per dataset), wat het praktisch toepasbaar maakt voor grote studies.

Betekenis en Conclusie

SR2P biedt een krachtige, kosteneffectieve oplossing om de analytische capaciteiten van bestaande ruimtelijke transcriptomics-platforms uit te breiden. Door eiwitovervloed nauwkeurig te voorspellen uit RNA-only data, kunnen onderzoekers retrospectief proteomische analyses uitvoeren op bestaande datasets zonder dure nieuwe experimenten. Dit is cruciaal voor het beter begrijpen van het tumormicro-omgeving, het identificeren van immuunsubsets en het ontdekken van biomarkers voor therapeutische respons. De studie benadrukt echter dat modellen het beste getraind moeten worden op data van hetzelfde of een nauw verwant weefseltype vanwege de sterke biologische variabiliteit in RNA-eiwitrelaties.