Predicción de la Expresión de Cascadas de Proteínas a partir de Imágenes H&E

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en oncología
• Análisis de datos biomédicos

Sus antecedentes:

• La expresión de proteínas en las vías oncogénicas es clave para el desarrollo del cáncer.
• La predicción de señales de proteínas aguas abajo es esencial para comprender la progresión del cáncer.
• Los modelos de IA actuales a menudo predicen proteínas individuales, careciendo de información sobre la propagación de la señal.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de IA para predecir la expresión de proteínas aguas abajo en el cáncer de mama.
• Comparar el rendimiento de los Transformers de Visión (ViT) a nivel celular frente a nivel de parche para esta tarea.
• Evaluar la utilidad de las cascadas de apoptosis y de daño/reparación del ADN (DDR) para predecir la expresión de proteínas.

Principales métodos:

• Se utilizaron datos de RPPA (Reverse Phase Protein Array) e imágenes de portaobjetos completos (WSIs) del conjunto de datos TCGA-BRCA.
• Se desarrolló un modelo ViT a nivel celular (CellViT) y se comparó con modelos ViT a nivel de parche.
• Se centró en predecir cinco proteínas clave en la cascada de apoptosis, utilizando las cascadas DDR como control.

Principales resultados:

• Los modelos ViT a nivel de parche no lograron resultados predictivos estadísticamente significativos (valores de R-cuadrado < 0.1).
• CellViT demostró capacidades predictivas, logrando valores de R-cuadrado > 0.1 en cinco pliegues de prueba.
• La cascada de apoptosis, al ser morfológicamente indicativa, arrojó un rendimiento predictivo significativamente mayor que la cascada DDR.

Conclusiones:

• Los modelos de IA a nivel celular, como CellViT, son más efectivos que los modelos a nivel de parche para predecir la expresión de proteínas aguas abajo a partir de WSIs.
• Las vías biológicas morfológicamente relevantes, como la apoptosis, son mejores objetivos para la predicción de la expresión de proteínas impulsada por IA.
• Este enfoque ofrece una forma novedosa de inferir la señalización de proteínas funcional en el cáncer.