Forscher des Children’s Hospital of Philadelphia (CHOP) haben einen neuen KI-gestützten Algorithmus entwickelt, um zu verstehen, wie sich verschiedene Zellen in bestimmten Geweben organisieren und miteinander kommunizieren. Dieses neue Tool wurde an zwei Arten von Krebsgewebe getestet, um aufzudecken, wie diese „Nachbarschaften“ von Zellen miteinander interagieren, um einer Therapie zu entgehen. Weitere Studien könnten weitere Informationen über die Funktion dieser Zellen in der Mikroumgebung des Tumors liefern.
Die Ergebnisse wurden online in der Zeitschrift veröffentlicht Naturmethoden.
Um zu verstehen, wie sich verschiedene Zellen organisieren, um die Funktionen eines Gewebes zu unterstützen, schlugen Forscher das Konzept der Gewebezellnachbarschaften (TCNs) vor, um Funktionseinheiten zu beschreiben, in denen verschiedene, wiederkehrende Zelltypen zusammenarbeiten, um bestimmte Gewebefunktionen zu unterstützen.
Bei allen Individuen würden die Funktionen dieser TCNs gleich bleiben. Um die große Menge an Informationen in räumlichen Omics-Daten in Modelle und Hypothesen zu übersetzen, die von Forschern interpretiert und getestet werden können, sind jedoch fortschrittliche KI-Algorithmen erforderlich.
„Es ist sehr schwierig, die Mikroumgebung des Gewebes zu untersuchen, also wie sich bestimmte Zellen organisieren, verhalten und miteinander kommunizieren“, sagte der leitende Studienautor Kai Tan, Ph.D., Forscher am Zentrum für Kinderkrebsforschung am CHOP und Professor in der Abteilung für Pädiatrie und der Perelman School of Medicine der University of Pennsylvania.
„Bis zu den jüngsten Fortschritten in der sogenannten räumlichen Omics-Technologie war es unmöglich, mehr als 100 Proteine oder Hunderte oder sogar Tausende von Genen in einem Gewebestück, das Hunderttausende Zellen und ihre jeweiligen Gene beherbergen könnte, räumlich zu charakterisieren. „
In dieser Studie entwickelten Forscher den Deep-Learning-basierten CytoCommunity-Algorithmus zur Identifizierung von TCNs basierend auf Zellidentitäten einer Gewebeprobe, ihrer räumlichen Verteilung sowie klinischen Patientendaten, was Forschern helfen kann, besser zu verstehen, wie diese Zellnachbarschaften organisiert sind und sind mit bestimmten klinischen Ergebnissen verbunden.
In dieser Studie wurden Gewebeproben von Brust- und Darmtumoren verwendet, da eine große Datenmenge verfügbar war, die ausreichte, um den Algorithmus zu trainieren, TCNs zu identifizieren, die mit Hochrisiko-Krankheitssubtypen assoziiert sind.
Durch die Verwendung von CytoCommunity für Brust- und Darmkrebsdaten entdeckte der Algorithmus neue mit Fibroblasten angereicherte TCNs und Granulozyten-angereicherte TCNs, die jeweils für Hochrisiko-Brustkrebs und Darmkrebs spezifisch sind.
„Da wir die Wirksamkeit von CytoCommunity nachweisen konnten, besteht der nächste Schritt darin, diesen Algorithmus sowohl auf gesunde als auch auf kranke Gewebedaten anzuwenden, die von Forschungskonsortien wie HuBMAP (Human BioMolecular Atlas Program) und HTAN (Human Tumor Atlas Network) generiert wurden.“ Sagte Tan.
„Zum Beispiel hoffen wir, anhand von Daten zu Krebserkrankungen im Kindesalter wie Leukämie, Neuroblastomen und hochgradigen Gliomen Gewebe-Zellumgebungen zu finden, die mit Reaktionen auf bestimmte Therapien verbunden sein könnten, und unsere Ergebnisse mit genetischen Daten zu kombinieren, um zu bestimmen, welche genetischen Signalwege dies können.“ auf zellulärer und molekularer Ebene beteiligt sein.“
Mehr Informationen:
Hu et al., Unbeaufsichtigte und überwachte Entdeckung zellulärer Gewebeumgebungen anhand von Zellphänotypen, Naturmethoden (2024). DOI: 10.1038/s41592-023-02124-2