Spatial Multiomics unterstützt Pathologievorhersage

Die räumliche Multiomik, die sich noch in der Entdeckungsphase befindet, kann für verschiedene Menschen unterschiedliche Bedeutungen haben. Es bezeichnet typischerweise die Visualisierung transkriptomischer und proteomischer Daten im Kontext der Gewebearchitektur, entweder direkt auf demselben Abschnitt oder auf seriellen Abschnitten, die rechnerisch integriert werden.

Die räumliche Multiomik könnte sich schließlich so weit ausdehnen, dass sie Lipide, Glykane, Metaboliten, epigenetische Marker und vorübergehende posttranslationale Stempel auf Proteinen umfasst. „Jede neue Technologie in der Medizin entwickelt sich von der Entdeckung über die Übersetzung bis hin zur Diagnostik“, sagt Joachim Schmid, PhD, Vizepräsident für Forschung und Entwicklung im Bereich Rauminformatik und KI bei NanoString Technologies.

Doch selbst in seiner jetzigen Form wird die räumliche Multiomik in pathologischen Forschungslabors eingesetzt, um präzise Methoden zur Identifizierung und Klassifizierung von Krankheiten sowie zur Bestimmung der Spezifität und Wirksamkeit von Arzneimitteln zu etablieren. Laut Jonathan Sweedler, PhD, dem James R. Eiszner Family Endowed Chair in Chemistry an der University of Illinois in Urbana-Champaign, „können räumliche Multiomics für einige Klassen von Molekülen bereits hochwertige chemische Verteilungen in Geweben und Tumoren erzielen.“ Massenspektrometrische Bildgebung und Vibrationsspektroskopie liefern molekulare Informationen über die Gewebegesundheit.“

Die Immuntherapie hat die Notwendigkeit sorgfältiger und reproduzierbarer molekularer Analysen zur detaillierten Klassifizierung von Krankheiten mit sich gebracht, die es ermöglichen, Patienten optimale Therapien zuzuteilen.

„Für den Pathologen wird es immer komplizierter. Früher war es einfach – schauen Sie sich ein paar H&E- und IHC-Folien an und geben Sie sie an das Molekularlabor weiter –, aber jetzt wollen wir die Beziehung zwischen Tumormikroumgebungen (TMEs) und Tumorzellen kennen. Hier kommt die Räumlichkeit ins Spiel“, sagt Dr. Kenneth Bloom, Leiter der Pathologie bei Nucleai. „Wir müssen gleichzeitig Zelltypen im TME identifizieren und ihre Beziehungen verstehen, denn manchmal funktionieren Zellen nur dann auf bestimmte Weise, wenn sie an andere Zellen angrenzen.“

Elizabeth Neumann, PhD, Assistenzprofessorin für Chemie an der University of California, Davis, erklärt: „Krankheiten, die wir einst für homogen hielten, können in Subtypen klassifiziert werden, wenn wir mehr räumliche Multiomics-Daten erhalten.“

Auf der Pathology Visions 2022 (einer Konferenz, die letzten Oktober in Las Vegas, Nevada, stattfand) spürte Schmid die Begeisterung für die Visualisierung einzelner Moleküle in räumlichen Kontexten. Die digitale Pathologie digitalisiert ganze Proben auf Glasobjektträgern durch Ganzobjektträger-Bildgebung und nutzt virtuelle Mikroskopie und Computermethoden, um klinische Erkenntnisse zu gewinnen. „Die Konferenz war zum ersten Mal ausverkauft“, stellt Schmid fest. „Vordenker sprechen davon, in den Bereich der räumlichen Biologie einzusteigen. Noch weiß niemand, wie es in die tägliche Arbeit umgesetzt wird, aber räumliche Multiomik generiert viele digitale Informationen, die in das Feld passen.“

Pathologen haben sich in der Vergangenheit auf formalinfixiertes, in Paraffin eingebettetes (FFPE) Gewebe verlassen. Die räumliche Technologie wird sowohl für FFPE als auch für frisch gefrorenes Gewebe entwickelt. Dennoch erfordert die Überarbeitung veralteter Technologien für komplexe Arbeitsabläufe solide Vorteile.

„Wenn man mit den Augen ein Gewebe unter dem Mikroskop betrachtet, erhält man nur begrenzte Informationen“, bemerkt Sweedler. „Pathologen waren bei der Färbung von Gewebe innovativ, sodass die interessierenden Moleküle sichtbar sind und auf Krankheitszustände geschlossen werden können. Diese funktionieren. Die Frage ist, ob es möglich ist, durch räumliche Multiomik detailliertere Informationen zu erhalten.“

Der Nutzen für die Patienten ist der entscheidende Treiber für die Implementierung neuer Technologien. Der Einsatz räumlicher Multiomics bietet deutliche Vorteile für die Patientenstratifizierung, nicht nur durch die Gewinnung weiterer Informationen zur Validierung vorläufiger Ergebnisse, sondern auch durch die Gewinnung von Informationen, auf die früher kein Zugriff möglich war.

„Man kann eine Kombination von Proteinen als [Krankheits-]Signatur verwenden, aber in vielen Fällen kann es zum Verständnis des Behandlungsmechanismus oder des Krankheitsverlaufs von Vorteil sein, ein Zelloberflächenprotein zusammen mit Zytokinen und Chemokinen zu haben, die viel besser sein können.“ gemessen durch RNA“, sagt Julia Kennedy-Darling, PhD, Vizepräsidentin für Innovation, Akoya Biosciences.

In einigen Fällen ist die räumliche Multiomik eine alternative Validierung, in anderen Fällen jedoch der einzige Weg zu Antworten. „Wenn Sie einen hohen Her2-RNA- und Proteingehalt haben, gibt Ihnen das Selbstvertrauen. Der Vorteil ist offensichtlich, wenn beide einen mittleren bis geringen Ausdruck haben“, sagt Kennedy-Darling. Die sequentielle Analyse verschiedener Klassen von Biomarkern – wie es derzeit üblich ist – um zu diagnostischen Entscheidungen zu gelangen, erfordert Zeit, wohingegen die Erfassung integrierter Datensätze desselben Gewebeabschnitts Zweifel zerstreut und die Geschwindigkeit erhöht. Um andererseits die Quelle sekretierter Proteine ​​wie Zytokine zu identifizieren, ist es zwingend erforderlich, RNA nachzuweisen, da das Protein dispergiert ist.

Durch die Bestimmung der Quellen und Ziele sekretierter Proteine ​​und der von ihnen gebundenen Rezeptoren ist es möglich, die zeitliche Landschaft der Signalwege im räumlichen Kontext abzubilden.

„Die meisten räumlichen Technologien haben sich darauf konzentriert, eine detaillierte Momentaufnahme dessen zu liefern, was existiert. Es ist tiefgreifend, einen Überblick darüber zu erhalten, wie sich die Signalnetze räumlich fortbestehen“, fährt Kennedy-Darling fort. Solche raumzeitlichen Ansätze können konkrete Hinweise auf zelluläre Interaktionen und Signalnetzwerke liefern. Bisher waren die Forscher auf schwache Zusammenhänge angewiesen.

Die Bedeutung in der Biologie wird ebenso wie der Wert von Immobilien weitgehend vom Standort bestimmt. Dennoch ist die Fähigkeit, räumliche Beziehungen zwischen Zellen zu verstehen, in den meisten molekularen Studien verloren gegangen.

Vorhersagen von Reaktionen in der Immunonkologie sind weitaus besser, wenn Tests eine räumliche oder Koexpressionskomponente umfassen, als wenn sie auf der Anwesenheit oder Abwesenheit eines Markers beruhen, bemerkt Dr. Janis Taube, Professorin für Dermatopathologie an der Johns Hopkins University. Spatial Multiomics gibt nicht nur den Ausschlag für einen höheren Vorhersagewert, sondern bietet auch quantifizierbare Messungen der zellulären Heterogenität. „Pathologen wissen, dass Tumore heterogen sind“, bemerkt Taube, „aber die Möglichkeit, Zahlen dazu zu ermitteln, wird eine aufregende neue Entwicklung in der Prognose und Vorhersage sein, hoffentlich sowohl für die Entdeckungsforschung als auch für die klinische Pathologie.“

Tumore bestehen aus einer verwirrenden Vielfalt an Krebs- und Immunzellen mit einzigartigen molekularen Signaturen. Die räumliche Multiomik einzelner Zellen, die morphologische Daten rechnerisch mit genomischen, transkriptomischen und proteomischen Biomarkern integriert, hat sich bei der Aufdeckung von Markern für heterogenes TME, Tumorwachstum, Metastasierung und Arzneimittelresistenz als transformativ erwiesen. Die Präzisionsonkologie beruht auf der Fähigkeit von Pathologen, Krebszellsubtypen und TME-Merkmale zu identifizieren, um Diagnose und Behandlung zu verbessern.

„Als wir Tumore mit mehreren Immunfluoreszenzmarkern färbten, stießen wir auf Probleme bei der Datenanalyse, Kuration und Speicherung sowie auf Probleme bei der Normalisierung und Kalibrierung“, erinnert sich Taube. „Die Astronomie beschäftigte sich vor 25 Jahren mit ähnlichen Problemen, als sie multispektrale Bilder vergrößerte und verkleinerte. Wir haben unsere Lehren aus dem Sloan Digital Sky Survey gezogen und sie auf pathologische Proben von Tumoren angewendet.“

Taubes Team hat eine Plattform namens AstroPath entwickelt, um Biomarker für Patienten mit fortgeschrittenen Krebsstadien zu entwickeln und konzentriert sich derzeit auf frühere Stadien.

In einer aktuellen Arbeit nutzten Forscher die KI-gestützte Multiomics-Plattform PandaOmics von Insilico Medicine, um Genexpressionsänderungen bei seltenen DNA-Reparaturmangelstörungen zu untersuchen. Die Analyse deckte ein Gerüstprotein (CEP135) auf, das für die Zellteilung wichtig ist und bei DNA-Reparaturkrankheiten mit hoher Prädisposition für Krebserkrankungen dezimiert ist. Die Stratifizierung der Patienten anhand der CEP135-Expression ermöglichte es den Forschern, ein potenzielles therapeutisches Ziel (PLK1) für Sarkompatienten zu identifizieren. Obwohl die klinische Validierung noch aussteht, unterstreicht die Studie die Leistungsfähigkeit der räumlichen Multiomik bei der schnellen Entdeckung von Biomarkern und therapeutischen Zielen.

Spatial Multiomics kann auch dabei helfen, Tumorränder vor und nach der Behandlung zu ermitteln. „Wie man die Grenzen zwischen gesundem Gewebe und Krebs definiert, ist nicht trivial“, betont Neumann. „Mit der herkömmlichen Immunfluoreszenz kann man an einem guten Tag maximal sieben Marker nachweisen. Damit kann man nicht einmal alle Immunzellen kennzeichnen.“ Obwohl FFPE die meisten räumlichen Informationen speichert, sind einige Moleküle zu wenige oder zu labil, um nachgewiesen zu werden, was neue Ansätze der Gewebeverarbeitung und Bildanalyse nach sich zieht.

„Unsere Technologie wurde für FFPE entwickelt – den Standard in der Pathologiepraxis. Es funktioniert auch bei frisch gefrorenen Proben. „Die Forschungsfrage bestimmt letztlich, welche Probenart und welche Analysetools Sie verwenden“, rät Schmid. „Empfindlichkeit und Datenqualität sind ein Teil des Puzzles beim Nachweis von Proteinen und RNA in geringer Häufigkeit. Der andere Teil ist die Datenanalyse und Qualitätskontrolle der Daten.“

„FFPE-Biobanken sind eine unglaubliche Ressource, aber frisch gefrorenes Gewebe ist manchmal einfacher für die Massenspektrometrie mit molekularer Information zu verwenden“, führt Sweedler aus. „Für jede Kategorie von Biomolekülen müssen Verarbeitungsschritte separat erarbeitet und optimiert werden.“ Sweedler, dessen Arbeit sich mit instabilen Neuropeptiden befasst, hat herausgefunden, dass Lasererwärmung abbauende Enzyme schnell deaktiviert und eine effiziente Methode zur Gewebestabilisierung darstellt. „Einschränkungen sollten Sie nicht entmutigen“, betont Sweedler. „Das sind Aufstiegschancen.“

Während räumliche Multiomics auf denselben und seriellen Schnitten von FFPE oder frisch gefrorenem Gewebe hilfreich sind, hat jede ihre eigenen Vorzüge und Herausforderungen. „Der Vorteil von Serienschnitt-Multiomics liegt in den etablierten Arbeitsabläufen. Die Herausforderungen liegen in der Datenanalyse“, stellt Kennedy-Darling klar. Wenn jedoch verschiedene Moleküle auf verschiedenen Abschnitten abgebildet und kombiniert werden, kann ein Unterschied von einer Zelle zwischen den Abschnitten zu Fehlern führen. „Mit demselben Abschnitt messen Sie die Ziele direkt“, fügt sie hinzu. „An der Lokalisierung von Zielen besteht kein Zweifel.“

Räumliche Multiomics liefern große Datenmengen und stellen Herausforderungen bei der Datenspeicherung, -freigabe, -zugänglichkeit und -analyse dar, zusätzlich zu der Herausforderung, die Belegschaft in der Pathologie wieder mit Softwarekenntnissen auszustatten.

„Sie möchten die Daten generieren und gut organisiert an einem einzigen Ort speichern. Anschließend können Sie Webbrowser erstellen, die die Daten überlagern und Abfragen der Datenbank von überall auf der Welt ermöglichen“, bemerkt Taube.

„Unsere Rauminformatikplattform AtoMx wird die Analyse und Überprüfung der Informationen unterstützen“, versichert Schmid. „Mit der Cloud können Sie arbeiten, ohne sich Gedanken über den Speicher machen zu müssen, und den Mitarbeitern einen einfachen Zugriff [auf Daten] ermöglichen.“ Für Schmid ist es wichtig, maßgeschneiderte Datenanalyselösungen zu entwickeln, die sich an den Bedürfnissen der Benutzer orientieren. Während einige grundlegende Methoden und etablierte Pipelines benötigen, möchten andere Open-Source-Algorithmen importieren oder ihre eigenen Methoden programmieren. „Es gibt keine einzige Möglichkeit, Ihnen alles zu bieten, was Sie brauchen. „Wir wollen ein Ökosystem schaffen, das es den Nutzern ermöglicht, die Dinge miteinander zu verbinden“, erzählt Schmid.

Verschiedene Labore speichern ähnliche Daten in unterschiedlichen Formaten, was ein Hindernis für vergleichende Studien darstellt. Es gibt nur wenige Standards, die Cloud Computing ermöglichen. Unternehmen und Wissenschaftler unterstützen Standardisierungsbemühungen, indem sie Standards für jeden Schritt in der Pipeline vorschlagen, sich an gängige Formate halten oder in Ausschüssen wie dem für den Standard „Digitale Bildgebung und Kommunikation in der Medizin“ zuständigen Ausschuss arbeiten.

„Standardisierung ist mächtig, aber es ist ein langsamer Prozess. Die Herausforderung besteht darin, Innovationen nicht einzuschränken“, erklärt Schmid. NanoString unterstützt das OME-TIFF-Format für Bilddaten und Seurat für „Weighted-Nearest-Neighbor“-Analysen.

Die Fähigkeit der räumlichen Multiomik, verschiedene molekulare und morphologische Informationen in analysierbaren Formaten zu kombinieren, passt zu aktuellen Trends in der Pathologie. Obwohl die Entdeckungsphase die Analyse einer großen Anzahl von Biomolekülen in pathologischen Forschungslabors umfasst, werden translationale Studien wahrscheinlich unhandliche Panels in einige wenige markante Marker bündeln, die den klinischen Kern zusammenfassen, was der Diagnose und der Präzisionsmedizin zugute kommt. Letztlich bestimmt nicht die Technologie ihre Anwendung – die Notwendigkeit bleibt die unbestrittene Mutter der Innovation.