Generación de múltiplex de proteínas basado en histopatología utilizando aprendizaje profundo

Área de la Ciencia:

• Biología computacional
• Patología
• Inteligencia artificial en la medicina

Sus antecedentes:

• Las imágenes de proteínas multiplexadas son cruciales para comprender las interacciones entre el tumor y el microambiente, pero se enfrentan a limitaciones de costo, tiempo y accesibilidad a los tejidos.
• Las imágenes estándar de histopatología de hematoxilina y eosina (H&E) están ampliamente disponibles, pero carecen de información detallada sobre las proteínas.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo, HistoPlexer, para generar multiplexos de proteínas con resolución espacial a partir de imágenes H&E estándar.
• Permitir la caracterización del microambiente tumoral de manera eficiente en términos de costes y tiempo para avanzar en la oncología de precisión.

Principales métodos:

• HistoPlexer utiliza una arquitectura de red adversaria generativa condicional con funciones de pérdida personalizadas.
• El marco predice conjuntamente múltiples marcadores tumorales e inmunes, asegurando la similitud a nivel de píxeles e incrustaciones y minimizando las variaciones de corte a corte.
• La validación incluyó la evaluación por expertos de muestras de melanoma metastásico y el análisis comparativo de diversos conjuntos de datos de cáncer disponibles públicamente.

Principales resultados:

• Los mapas de proteínas generados por HistoPlexer se parecen mucho a los mapas derivados experimentalmente y preservan las relaciones biológicas clave, incluidos los patrones de co-localización de proteínas.
• Los patrones de infiltración inmune predichos permitieron una estratificación precisa de los tumores en subtipos inmunes distintos.
• La integración de las características derivadas de HistoPlexer mejoró la predicción de la supervivencia y los modelos de clasificación de subtipos inmunes en comparación con el uso de las características H&E solas.
• El método demostró robustez y superó a los enfoques iniciales en varios tipos de cáncer y afecciones por imágenes.

Conclusiones:

• HistoPlexer proporciona un método potente y eficiente para la generación de multiplejos de proteínas de diapositivas completas a partir de imágenes de rutina de H&E.
• Este enfoque mejora significativamente la caracterización del microambiente tumoral, ofreciendo una herramienta valiosa para la oncología de precisión.
• La capacidad del marco para estratificar tumores y mejorar el rendimiento del modelo predictivo destaca su potencial para impactar en la toma de decisiones clínicas.