VINTER: a generative vision-language model for annotating and interrogating spatial tissues

Os tecidos não são apenas mapas planos de células; são vizinhanças tridimensionais complexas onde a identidade de uma única célula depende fortemente de quem vive ao lado. No corpo humano, a função de uma célula é frequentemente ditada pelo seu entorno imediato, de forma muito semelhante a como o papel de uma pessoa em uma comunidade muda com base nas pessoas com quem ela interage diariamente. Durante décadas, os cientistas lutaram para ler essas vizinhanças de uma maneira única e unificada. Eles podiam observar o tecido sob um microscópio para ver sua forma e estrutura, ou podiam medir os sinais químicos dentro das células para entender sua atividade, mas fazer ambos simultaneamente tem sido difícil. Os métodos tradicionais muitas vezes forçam uma escolha: ou descrever o tecido por sua aparência visual ou por sua assinatura molecular, raramente permitindo que os dois falem entre si em tempo real. Essa separação deixa uma lacuna na compreensão de como o layout físico de um tumor ou de um órgão influencia o comportamento das células dentro dele.

Uma nova abordagem chamada VINTER visa fechar essa lacência ao tratar o tecido como uma história única e legível. Os pesquisadores desenvolveram um modelo computacional que pode olhar para uma imagem de uma amostra de tecido, ler a lista de genes ativos dentro de um ponto específico e considerar simultaneamente a atividade gênica dos seis pontos ao redor. Em vez de forçar o computador a escolher entre a imagem e os genes, o modelo lê todas as três fontes — a estrutura visual, os genes locais e o contexto da vizinhança — como uma sequência contínua de informações. Isso permite que o sistema tome uma decisão sobre que tipo de tecido está observando, enquanto também mantém um registro exato de quais partes da evidência levaram a essa conclusão. Como a informação genética é apresentada como uma lista de nomes, em vez de números abstratos, os pesquisadores podem editar a entrada, removendo ou rearranjando genes específicos para ver como a decisão do modelo muda. Isso transforma o processo de identificação de tecido de um rótulo estático em uma interrogação interativa, onde os cientistas podem fazer perguntas do tipo "e se" sobre a composição do tecido.

A equipe testou esse sistema em uma variedade de desafios biológicos, começando pelo cérebro humano. Eles pediram ao modelo para identificar as diferentes camadas do córtex cerebral, uma tarefa na qual superaram métodos existentes que dependem apenas de dados gênicos ou de dados de imagem isoladamente. O modelo alcançou um alto nível de precisidade, identificando corretamente as camadas corticais na vasta maioria dos casos. Mais importante ainda, o sistema demonstrou uma capacidade notável de transferir seu conhecimento para novas situações sem a necessidade de ser retreinado. Quando os pesquisadores aplicaram um modelo treinado em dados de câncer de mama a um grupo completamente diferente de pacientes com câncer de mama triplo-negativo, ele identificou com sucesso tipos de tecido que nunca havia visto antes. Isso sugere que o modelo aprendeu uma linguagem fundamental de organização tecidual que se aplica através de diferentes doenças e pacientes, em vez de apenas memorizar exemplos específicos.

Uma das descobertas mais impressionantes veio do estudo de estruturas linfoides terciárias, que são pequenos aglomerados organizados de células imunes que se formam dentro de tumores e podem influenciar como o corpo combate o câncer. Os pesquisadores usaram a capacidade do modelo de editar as entradas para descobrir exatamente quais sinais essas estruturas enviam para o seu entorno. Eles descobriram que o julgamento do modelo sobre se uma estrutura era "madura" ou "imatura" dependia de dois programas opostos de atividade gênica na vizinhança. Um programa, impulsionado por células B foliculares, fazia a estrutura parecer mais madura, enquanto outro, impulsionado por células plasmáticas que produzem anticorpos, fazia a estrutura parecer menos madura. Ao mapear esses sinais de volta para o tecido, eles descobriram um padrão espacial oculto: os sinais organizadores maduros estavam concentrados no centro da estrutura, enquanto os sinais produtores de anticorpos eram empurrados para as bordas extremas. Isso revelou que a "maturidade" desses centros imunológicos não é um estado único, mas um equilíbrio dinâm-ico entre um núcleo e uma periferia, uma nuance que os métodos padrão teriam perdido.

O poder dessa abordagem também se estendeu à descoberta de detalhes ocultos no câncer de mama triplo-negativo, uma doença conhecida por sua complexidade. Em muitos casos, patologistas rotulam uma região de tecido como "estroma", ou tecido conjuntivo, que é uma categoria ampla que pode esconder diferenças significativas. O modelo, no entanto, observou a probabilidade de cada tipo possível de tecido para cada ponto e descobriu que, dentro dessas regiões estromais amplamente rotuladas, havia zonas distintas de atividade imune. Algumas áreas eram ricas em células imunes e mostravam sinais de uma resposta inflamatória ativa, enquanto outras eram quietas e silenciosas. Essa capacidade de ver as zonas "quentes" e "frias" dentro de um único rótulo ajudou os pesquisadores a identificar um tipo específico de ambiente imune que é conhecido por responder bem a certos tratamentos contra o câncer. Além disso, ao observar as probabilidades secundárias do modelo, eles foram capazes de sinalizar pontos que foram rotulados como benignos, mas que na verdade continham células cancerígenas ocultas. Quando revisaram esses pontos sinalizados, recuperaram quase metade do câncer que havia sido perdido pela abordagem padrão de rótulo único, particularmente nos subtipos mais agressivos da doença.

Finalmente, os pesquisadores mostraram que este método funciona em diferentes escalas de observação, desde grandes amostras de tecido até células individuais. Eles aplicaram o mesmo modelo a dados de alta resolução de câncer colorretal, onde identificou com sucesso estruturas imunes e distinguiu entre diferentes tipos de células imunes sem qualquer treinamento adicional. O modelo identificou corretamente que certas células imunes, especificamente aquelas que produzem um tipo específico de anticorpo, se agrupavam nas bordas dessas estruturas, enquanto outras permaneciam no centro. Essa consistência entre diferentes tecnologias e resoluções sugere que o modelo capturou uma compreensão robusta de como o tecido é organizado. Ao transformar a anotação espacial em uma leitura interrogável do tecido, o VINTER oferece uma nova maneira de explorar as vizinhanças do corpo, permitindo que os cientistas façam perguntas sobre a evidência por trás de cada decisão biológica e vejam os padrões ocultos que definem a saúde e a doença.