openDVP: un flux de lucru open-source pentru proteomica spațială
Cercetătorii din laboratorul de proteomică spațială condus de Fabian Coscia la Centrul Max Delbrück au publicat în revista Nature Methods un flux de lucru open-source numit openDVP, care face metoda Deep Visual Proteomics (DVP) mai ușor de utilizat, adaptat și extins. Rezultatele au fost prezentate într-un studiu publicat în 2026.
Deep Visual Proteomics permite oamenilor de știință să cartografieze spațial mii de proteine din interiorul celulelor și al mediului lor celular, păstrând în același timp contextul tisular. Metoda combină imagistica de înaltă rezoluție, inteligența artificială și spectrometria de masă pentru a conecta localizarea celulelor din țesuturi cu proteomul acestora.
Metoda DVP a fost dezvoltată inițial de laboratorul Coscia și publicată pentru prima dată în 2022. Datorită noutății conceptuale și impactului său translațional demonstrat, Nature Methods a evidențiat-o drept „Metoda anului 2024” în proteomica spațială. Coscia explică faptul că dezvoltarea ulterioară și adoptarea metodei de către comunitate au necesitat instrumente open-source, iar openDVP a fost creat pentru a acoperi această nevoie critică.
Provocările DVP și soluția openDVP
O provocare majoră a DVP o reprezintă conectarea mai multor etape distincte din punct de vedere tehnic: imagistica țesutului, analiza imaginilor, identificarea celulelor sau a regiunilor tisulare, izolarea fizică a acestora, studierea probelor prin spectrometrie de masă și analiza ulterioară a datelor. openDVP reunește aceste etape într-un cadru modular open-source.
Echipa a simplificat procesul de analiză a imaginilor și a dezvoltat un flux de lucru rapid care permite cercetătorilor să adnoteze, să colecteze și să măsoare rapid un număr mare de celule individuale sau zone de interes, fără a necesita expertiză extinsă în analiza computațională a imaginilor. De asemenea, a fost introdusă o nouă strategie de eșantionare tisulară numită DVP ghidat de vecinătatea celulară, care informează colectarea țesutului pe baza grupurilor celulare funcționale recurente.
În cancer, de exemplu, identitatea celulelor care înconjoară o tumoră poate prezice adesea rezultatele terapeutice și dacă boala va progresa. „Dar știm foarte puțin despre ce fac de fapt aceste celule”, afirmă Jose Nimo, primul autor al studiului. Informațiile proteomice globale pot oferi aceste date critice, adaugă el. „Prin vizarea unor astfel de vecinătăți celulare pentru proteomica bazată pe spectrometrie de masă, putem afla unde se află celulele și cu ce alte celule comunică în cadrul unui mediu tisular specific. Acest lucru este important deoarece celulele nu funcționează în izolare. Comportamentul lor este puternic influențat de celulele din jur.”
Aplicații demonstrate în trei tipuri de țesut
Pentru a demonstra capacitățile tehnologiei, cercetătorii au analizat și caracterizat proteoamele rezolvate spațial ale celulelor din trei probe tisulare diferite: placenta, adenocarcinomul pulmonar și cancerul mamar. „openDVP nu este restricționat la un anumit țesut sau la o anumită boală”, explică Coscia. „Am ales aceste probe doar pentru a arăta că metoda este versatilă și că poate oferi perspective unice asupra funcției proteinelor în medii celulare diferite și în mare parte neexplorate.”
În proba de cancer pulmonar, openDVP a relevat zeci de ținte terapeutice pentru care există deja tratamente aprobate. În cancerul mamar, tehnologia a descoperit căi inflamatorii crescute și posibil tratabile, asociate cu rezistența la chimioterapie și recidiva cancerului.
Perspective clinice și dezvoltare viitoare
Deoarece cadrul este open-source și modular, cercetătorii pot schimba componente individuale sau integra metode noi fără a reconstrui întregul flux de lucru. Acest lucru ar putea deveni deosebit de important pentru studiile clinice ample, unde proteomica spațială poate ajuta la explicarea, la nivel molecular, a motivului pentru care pacienții încetează să mai răspundă la o anumită terapie medicamentoasă. De asemenea, ar putea identifica biomarkeri care să confirme dacă un pacient răspunde la tratament.
Într-un pas spre a face tehnica mai utilă clinic, echipa plănuiește deja să integreze modele fundaționale de patologie — rețele neuronale mari de inteligență artificială antrenate pe date histopatologice — pentru a automatiza complet modul în care software-ul recunoaște și adnotează țesuturile. „Acest lucru ne va permite să desfășurăm studii de proteomică spațială la scară largă pentru multe boli diferite”, spune Nimo.
Cercetătorii văd openDVP ca o platformă comunitară care poate evolua odată cu avansarea tehnologiilor de imagistică, inteligență artificială și spectrometrie de masă. „openDVP este un facilitator tehnologic fantastic”, adaugă Coscia. „Putem aborda acum întrebări noi care erau complet de neconceput acum doar câțiva ani.”
