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

Weefsels zijn niet louter statische verzamelingen van cellen; het zijn dynamische, georganiseerde steden waar verschillende wijken specifieke taken uitvoeren. Om te begrijpen hoe deze steden functioneren, vooral bij gezondheid en ziekte, moeten wetenschappers niet alleen zien welke cellen aanwezig zijn, maar ook wat ze daadwerkelijk doen. Decennialang hebben de meest gedetailleerde kaarten van weefselactiviteit vertrouwd op het meten van RNA, de moleculaire instructies die cellen gebruiken om eiwitten te bouwen. Echter, RNA is slechts de blauwdruk; de eiwitten zelf zijn de arbeiders, de machines en de signalen die het werk daadwerkelijk uitvoeren. Hoewel we nu kunnen in kaart brengen waar genen actief zijn in een weefselmonster, is het meten van de werkelijke eiwitten op precies diezelfde locaties moeilijk, duur en traag gebleken. Deze kloof laat onderzoekers achter met een onvolledig beeld: ze kennen de plannen, maar missen de bouwplaats.

Een nieuwe computationele tool genaamd SPRINT biedt een manier om deze ontbrekende details in te vullen. Door twee soorten gegevens te combineren die al algemeen beschikbaar zijn — microscoopbeelden van weefsel en kaarten van genactiviteit — kan SPRINT voorspellen waar specifieke eiwitten zich bevinden met een hoge nauwkeurigheid. De onderzoekers achter dit werk, gevestigd aan het Harbin Institute of Technology, ontwikkelden een systeem dat de relatie leert tussen hoe een weefsel er onder een microscoop uitziet, welke genen aan staan en waar de resulterende eiwitten terechtkomen. Eenmaal getraind, kan dit systeem gedetailleerde eiwitkaarten reconstrueren voor weefselsecties waar eiwitten nooit direct zijn gemeten, waardoor standaard microscooppreparaten en genkaarten effectief worden omgezet in uitgebreide eiwitatlassen.

De uitdaging om eiwitten in de ruimte in kaart te brengen is aanzienlijk omdat eiwitten zich anders gedragen dan genen. Sommige eiwitten zijn nauw verbonden met de fysieke vorm van het weefsel, zoals die welke de wanden van bloedvaten of de buitenste laag van de huid vormen, waardoor ze gemakkelijk te spotten zijn in een microscoopbeeld. Anderen zijn echter betrokken bij complexe chemische signalering of immuunreacties die geen duidelijk visueel spoor achterlaten. Traditionele methoden die alleen op microscoopbeelden vertrouwen, missen vaak deze onzichtbare eiwitten, terwijl methoden die alleen op genkaarten vertrouwen onnauwkeurig kunnen zijn omdat de hoeveelheid van een eiwit in een cel niet altijd overeenkomt met de hoeveelheid van de bijbehorende geninstructies. De onderzoekers ontdekten dat het vertrouwen op slechts één van deze bronnen de mogelijkheid beperkt om het volledige plaatje te zien.

Om dit op te lossen, creëerde het team een raamwerk dat het microscoopbeeld en de genkaart behandelt als twee complementaire talen die dezelfde biologische realiteit beschrijven. Het systeem kijkt eerst naar het weefselbeeld om de fysieke structuur te begrijpen, zoals de rangschikking van cellen en de textuur van het weefsel. Vervolgens kijkt het naar de genexpressiedata om de moleculaire staat van die cellen te begrijpen. Door deze twee stromen van informatie samen te voegen, leert het model de locaties van eiwitten te voorspellen, zelfs wanneer het eiwit niet duidelijk zichtbaar is in het beeld of wanneer de geninstructies een slechte voorspeller zijn voor de uiteindelijke hoeveelheid eiwit. Het systeem is ontworpen om flexibel te zijn en kan zowel hoogresolutiebeelden verwerken die details van individuele cellen tonen als beelden met een lagere resolutie die bredere weefselpatronen vastleggen, wat ervoor zorgt dat het werkt met verschillende soorten laboratoriumapparatuur.

De onderzoekers testten deze aanpak op een verscheidenheid aan biologische monsters om te zien of het kon generaliseren buiten de specifieke gegevens waarop het getraind was. Ze begonnen met menselijk amandelweefsel (tonsil), waarbij ze het model trainden op één sectie en het vervolgens vroegen om de locaties van eiwitten in een volledig andere sectie van een ander persoon te voorspellen. Het systeem slaagde erin de ruimtelijke patronen van tientallen eiwitten te reconstrueren, inclusclusief die betrokken bij immuunverdediging en weefselstructuur. Het presteerde beter dan bestaande methoden die op basis van enkel beelden of genen werkten, waarbij het zowel de brede organisatie van het weefsel als de fijne details van de lokale eiwitdistributie accuraat vastlegde. Dit succes hield stand toen de onderzoekers het model testten op muis miltweefsel, dat op een veel lagere resolutie was afgebeeld, wat bewees dat het systeem zich kan aanpassen aan verschillende beeldkwaliteiten zonder zijn voorspellende kracht te verliezen.

De meest rigoureuze test betrof een menselijk hersensample, waarbij de onderzoekers een enkele weefselsectie diagonaal verdeelden. Ze trainden het model op de ene helft en vroegen het om de eiwitlandschappen van de andere helft te voorspellen, een regio die het nog nooit eerder had gezien en die andere typen cellen in andere proporties bevatte. Ondanks deze ruimtelijke scheiding en de verschuiving in cellulaire samenstelling, reconstrueerde het model accuraat de eiwitpatronen over de ongeziene regio heen. Het identificeerde correct complexe biologische programma's, zoals gebieden van immuunactivatie en weefselherstel, wat aantoonde dat het de fundamentele regels heeft geleerd die de verbinding vormen tussen weefselstructuur, genactiviteit en eiwitlocatie, in plaats van simpelweg de specifieke lay-out van de trainingssample te memoriseren.

Het nut van deze aanpak strekt zich uit voorbij het louter invullen van ontbrekende gegevens. Wanneer de onderzoekers de gereconstrueerde eiwitkaarten gebruikten om onderscheidende regio's binnen het weefsel te identificeren, waren de resultaten aanzienlijk duidelijker dan wanneer zij alleen gengegevens of afbeeldingen gebruikten. In de muis milt- en hersensamples hielp het toevoegen van de voorspelde eiitinformatie de computer om anatomische zones te onderscheiden die voorheen in elkaar overliepen, zoals de marginale zone van de milt. Dit suggereert dat de door het systeem gegenereerde eiwitkaarten een niveau van biologisch detail bieden dat essentieel is voor het begrijpen van hoe weefsels georganiseerd zijn en hoe ze reageren op ziekte.

De onderzoekers verkenden ook of deze methode over soorten heen kon werken en voor moleculen andere dan eiwitten. Ze trainden het model op menselijk borstweefsel en pasten het toe op muis borstweefsel, waarbij ze de locaties van eiwitten in het muismonster succesvol voorspelden zonder tijdens de training ooit muis-eiwitdata te hebben gezien. Dit geeft aan dat de relaties tussen weefselstructuur, genen en eiwitten voldoende geconserveerd zijn om tussen mensen en muizen te worden overgedragen. Bovendien testten ze het raamwerk op metabolieten, de kleine moleculen die cellen gebruiken voor energie en signalering. Door het systeem direct op metabolietdata te trainen, waren ze in staat om ruimtelijke kaarten van deze moleculen in een muizenbrein te reconstrueren, wat aantoont dat de onderliggende strategie niet beperkt is tot eiwitten, maar kan worden aangepast om diverse soorten moleculaire landschappen te reconstrueren.

Dit werk vestigt een nieuwe manier om de maximale waarde uit bestaande biologische gegevens te extraheren. Veel onderzoekslaboratoria bezitten al enorme archieven van weefselbeelden en genkaarten, maar de eiwitgegevens voor deze monsters zijn vaak ontbrekend of incompleet. SPRINT biedt een algemeen raamwerk om deze ruimtelijke moleculaire profielen te voltooien, waardoor wetenschappers de aanwezigheid en locatie van eiwitten, en potentieel andere moleculen, over diverse weefsels, soorten en beeldingscondities heen kunnen afleiden. Door de kloof te overbruggen tussen wat we gemakkelijk kunnen meten en wat we moeten weten, opent deze tool de deur naar een completer begrip van de moleculaire architectuur van het leven, waarbij zij partiële momentopnames omzet in uitgebreide inzichten in hoe weefsels zijn opgebouwd en functioneren.