Un atlas tisular pentru învățarea automată în oncologie
Modul în care celulele sunt dispuse în interiorul țesuturilor poate oferi informații la fel de importante despre boală precum celulele în sine. În cazul unui tumorii canceroase, medicii nu urmăresc doar ce tipuri de celule sunt prezente, ci și modul în care acestea sunt organizate și interacționează între ele. Interacțiunea dintre celulele canceroase și celulele imunitare din vecinătate poate oferi indicii despre evoluția bolii sau despre răspunsul la tratament.
Pentru studierea acestor relații, cercetătorii folosesc proteomica spațială, o tehnologie care măsoară zeci de proteine păstrând în același timp localizarea lor în țesut. Deoarece proteinele controlează activitatea celulelor, aceste imagini oferă o imagine detaliată a modului în care funcționează țesuturile sănătoase și cele bolnave. Totuși, seturile de date rezultate sunt greu de combinat: laboratoarele din întreaga lume folosesc echipamente diferite, analizează proteine diferite și stochează rezultatele în formate diferite.
„Spora”, cea mai mare colecție liberă de imagini de proteomică spațială
Pentru a depăși aceste dificultăți, o echipă condusă de Charlotte Bunne, din cadrul grupului de Inteligență Artificială în Medicina Moleculară de la EPFL, a dezvoltat „spora”, un atlas de referință pentru proteomica spațială. Este cea mai mare colecție liber accesibilă de imagini de țesut de proteomică spațială și date medicale, creată pentru a facilita cercetarea.
Atlasul, realizat în colaborare cu Institutul European de Bioinformatică al Laboratorului European de Biologie Moleculară (EMBL-EBI), cuprinde 13.546 de imagini multiplex provenite de la 5.477 de pacienți, acoperind 14 origini tisulare și cinci tehnologii de imagistică. Acolo unde au fost disponibile, colecția include și imagini histopatologice asociate, care leagă măsurătorile moleculare de imaginile de țesut folosite în patologia de rutină.
Doi ani de muncă pentru armonizarea datelor
Realizarea atlasului a necesitat doi ani de muncă din partea unor oameni de știință și specialiști biomedicali de la EPFL, Spitalul Universitar din Zurich, Universitatea din Zurich, Spitalele Universitare din Geneva și Universitatea din Geneva. Cercetătorii au organizat mii de imagini, au standardizat adnotările proteinelor, au corelat informațiile medicale și au identificat celulele individuale, astfel încât datele din studii diferite să poată fi comparate.
„Colectarea și armonizarea datelor din cohorte diferite consumă enorm de mult timp, ceea ce reprezintă un obstacol major atât pentru dezvoltarea inteligenței artificiale la scară largă, cât și pentru descoperirile biologice”, a declarat Benedikt von Querfurth, doctorand la EPFL și primul autor al studiului publicat pe serverul de preprinturi arXiv. „Vrem să le permitem cercetătorilor să pornească de la date gata de utilizare, astfel încât să se concentreze asupra modelelor și întrebărilor biologice.”
Instrumente pentru analiză și evaluarea modelelor AI
Colecția păstrează legăturile către studiile originale și adnotările acestora. Diferențele privind proteinele măsurate, condițiile de imagistică și informațiile clinice disponibile rămân vizibile, ajutând cercetătorii să decidă ce seturi de date sunt potrivite pentru întrebările lor. Pe lângă atlasul propriu-zis, spora oferă instrumente pentru accesarea și analiza datelor, pentru dezvoltarea modelelor de inteligență artificială și pentru evaluarea performanței acestora în studii diferite.
„Acest lucru este important pentru că un model poate avea rezultate bune într-un singur studiu și totuși poate avea dificultăți când se schimbă pacienții, laboratorul sau tehnologia de măsurare”, a explicat Lukas Klein, cercetător postdoctoral la EPFL și la Spitalul Universitar din Zurich. „Seturile de date și protocoalele de evaluare comune ne permit să examinăm sistematic aceste diferențe. Este esențial dacă vrem ca modelele de inteligență artificială să surprindă biologia dincolo de o singură cohortă.”
Extinderea către alte țesuturi și boli
Deși spora se concentrează în prezent în principal pe cercetarea cancerului, echipa speră să o extindă pentru a include mai multe țesuturi, boli și tehnologii de imagistică. „Scopul nostru este să transformăm ceea ce învățăm din mii de mostre de țesut în cunoștințe care pot ajuta pacienții individuali”, a spus Bunne. „Lucrând îndeaproape cu clinicieni, ne propunem să traducem aceste cunoștințe în predicții mai bune privind evoluția bolii unui pacient și tratamentele care îi pot fi cele mai benefice.”
