Ein neues KI-Tool zur Entschlüsselung der Geheimnisse der räumlichen Multi-Omics bei Krebs

Ein neues, auf künstlicher Intelligenz basierendes Tool namens MISO (Multich-modal Spartiell OMikrofone) können Merkmale von Krebs auf Zellebene erkennen, indem sie Daten von extrem kleinen Gewebestücken betrachten – einige sind nur 400 Quadratmikrometer klein, was der Breite von fünf menschlichen Haaren entspricht. Das von Forschern der Perelman School of Medicine der University of Pennsylvania entwickelte Tool analysiert Unmengen von Daten und kann Erkenntnisse selbst auf die kleinsten Stellen der medizinischen Bildgebung anwenden. Es könnte Ärzten dabei helfen, die individuellen Therapien zu finden, die bei einer Vielzahl von Krebsarten am besten wirken, heißt es in einem neuen Artikel über MISO, der heute in veröffentlicht wurde Naturmethoden.

Mithilfe von MISO entdeckten die Forscher mithilfe von Daten und Bildgebung aus gespendetem Patientengewebe neue Informationen über eine Vielzahl unterschiedlicher Krebsarten, darunter:

• Blasenkrebs: MISO entdeckte eine spezielle Gruppe von Zellen, die für die Bildung tertiärer lymphoider Strukturen verantwortlich sind, die mit verbesserten Reaktionen auf eine Immuntherapie verbunden sind
• Magenkrebs: MISO unterscheidet zwischen Krebszellen und der Schleimhaut im Gewebe
• Darmkrebs: MISO identifizierte verschiedene Unterklassen von Krebszellen, die dazu beitrugen, Licht auf die verschiedenen bösartigen Zellen zu werfen, aus denen selbst ein einzelner Tumor besteht

Darüber hinaus wurde MISO verwendet, um die Strukturen von nicht krebsartigem Hirngewebe zu analysieren.

All diese Errungenschaften können zu besseren Therapien führen, die Überlebensrate erhöhen und sind ohne ein äußerst leistungsfähiges KI-Tool wie MISO nur sehr schwer, wenn nicht gar unmöglich, zu erreichen.

MISO wurde für die Arbeit in der „räumlichen Multi-Omics“ entwickelt, einem Forschungsgebiet, in dem Forscher versuchen, Einblicke in unterschiedliche Zustände zu gewinnen, indem sie die physische Anordnung von Gewebe berücksichtigen, indem sie verschiedene „-Omics“-Modalitäten wie die Transkriptomik (Untersuchung von Genen) betrachten Expression), Proteomik (Proteine) und Metabolomik (Metaboliten und ihre Prozesse).

„Da das Gebiet der räumlichen Omics voranschreitet, ist es möglich geworden, mehrere Omics-Modalitäten aus demselben Gewebeschnitt zu messen, wodurch komplementäre Informationen bereitgestellt und eine umfassendere, aufschlussreichere Sichtweise geboten werden“, sagte Mingyao Li, PhD, der leitende Autor der Studie und a Professor für Biostatistik und digitale Pathologie.

MISO begegnet einer enormen Datenherausforderung, indem es die gleichzeitige Analyse aller räumlichen Omics-Modalitäten sowie mikroskopischer Anatomiebilder, sofern verfügbar, ermöglicht. Es ist die einzige Methode, die solche Datensätze mit Hunderttausenden Zellen pro Probe verarbeiten kann.“

Mingyao Li, PhD, Professor, Biostatistik und digitale Pathologie, University of Pennsylvania

Wenn räumliche Transkriptomik zur Betrachtung eines Bildes verwendet wird, enthält ein einzelnes Pixel in einem einzelnen Bild 20.000 bis 30.000 Datenpunkte, die durch die Linse von -omics analysiert werden müssen, und diese Zahl kann sich verdoppeln und verdreifachen, wenn mehrere -omics berücksichtigt werden. MRT- und CT-Scans müssen nur einen Datenpunkt (Graustufen) pro Pixel interpretieren. Ohne ein Hilfsmittel der künstlichen Intelligenz wären Ärzte und Forscher, die medizinische Bilder untersuchen, fast nie in der Lage, einige der Erkenntnisse zu gewinnen, die MISO liefern kann.

Die neueste Entwicklung in der Omics-Bildtechnologie

MISO setzt Lis Arbeit an der Entwicklung von Bildgebungstechniken mit künstlicher Intelligenz fort, die in der Lage sind, zu sehen, was selbst geschulte Menschen nicht sehen können. Anfang dieses Jahres veröffentlichte ihr Team eine Arbeit, in der es iSTAR untersuchte, ein Tool zur Untersuchung der Genomik, und fand Spuren von Krebs – und die Reaktion des Körpers auf Behandlungen dagegen –, die andernfalls unbemerkt geblieben wären.

Während MISO ein viel größeres Spektrum an Daten berücksichtigt als iSTAR – von denen einige Komponenten sogar zur Entwicklung von MISO verwendet wurden – sieht Li vor, dass beide nützlich sind, allerdings in unterschiedlichen Bereichen. iSTAR ist nützlich, um die Schärfe der Bildgebung zu erhöhen und virtuell räumlich-omische Daten zu generieren, die MISO dann analysieren könnte, während MISO Einblicke in feinere Themen ermöglicht (z. B. die Erkennung hochendothelialer Venolen, einer speziellen Gruppe von Zellen, die weiße Blutkörperchen für bestimmte Zwecke rekrutieren). Gewebe).

In Zukunft hofft das Team, alles, was es über räumliche Omics und pathologische Bildgebung gelernt hat, zu sammeln und MISO so zu verbessern, dass mehrere Gewebeproben gleichzeitig analysiert werden können, wodurch die Ergebnisse exponentiell gesteigert werden.

Einige Daten – wie epigenetische Markierungen (Chemikalien, die die DNA regulieren, aber von der Umwelt beeinflusst werden, nicht rein genetisch) – müssen noch im großen Maßstab gemessen werden, aber das KI-System von MISO ermöglicht es ihm, zu „lernen“, während es Informationen verarbeitet und herstellt damit es diese Daten erkennen kann, sobald sie verfügbarer werden. „Ich gehe davon aus, dass die Integration dieser verschiedenen Datentypen es MISO ermöglichen wird, tiefere Einblicke in verschiedene Aspekte des Zellverhaltens zu liefern“, sagte Li.

Quellen: