Deep Visual Proteomics definisce singolo

Nature Biotechnology volume 40, pagine 1231–1240 (2022)Citare questo articolo

Accessi 56k

57 citazioni

539 Altmetrico

Dettagli sulle metriche

Nonostante la disponibilità di metodi basati sull’imaging e sulla spettrometria di massa per la proteomica spaziale, una sfida chiave rimane il collegamento delle immagini con le misurazioni dell’abbondanza proteica a risoluzione singola. Qui presentiamo la Deep Visual Proteomics (DVP), che combina l'analisi delle immagini dei fenotipi cellulari basata sull'intelligenza artificiale con la microdissezione laser automatizzata a cellula singola o a nucleo singolo e la spettrometria di massa ad altissima sensibilità. Il DVP collega l'abbondanza proteica a fenotipi cellulari o subcellulari complessi preservando il contesto spaziale. Asportando individualmente i nuclei dalla coltura cellulare, abbiamo classificato stati cellulari distinti con profili proteomici definiti da proteine ​​note e non caratterizzate. In un tessuto di melanoma primario archiviato, DVP ha identificato cambiamenti del proteoma risolti spazialmente mentre i melanociti normali passano al melanoma completamente invasivo, rivelando percorsi che cambiano in modo spaziale man mano che il cancro progredisce, come la disregolazione dello splicing dell'mRNA nella crescita verticale metastatica che coincide con una ridotta segnalazione dell'interferone e presentazione dell'antigene. La capacità del DVP di conservare precise informazioni proteomiche spaziali nel contesto tissutale ha implicazioni per la profilazione molecolare dei campioni clinici.

La versatilità, la risoluzione e la natura multimodale della microscopia moderna forniscono immagini sempre più dettagliate dell'eterogeneità delle singole cellule e dell'organizzazione dei tessuti1. Attualmente, viene solitamente preso di mira un sottoinsieme predefinito di proteine, molto inferiore alla complessità effettiva del proteoma. Sfruttando la sensibilità sostanzialmente aumentata della tecnologia basata sulla spettrometria di massa (MS), abbiamo deciso di consentire l'analisi dei proteomi nel loro contesto subcellulare nativo per esplorare il loro contributo alla salute e alla malattia. Abbiamo combinato l'imaging con risoluzione inferiore al micron, l'analisi delle immagini per la fenotipizzazione di singole cellule basata sull'intelligenza artificiale (AI) e l'isolamento con un flusso di lavoro proteomico ultrasensibile2 (Fig. 1). Le sfide principali si sono rivelate la definizione accurata dei confini delle singole cellule e delle classi cellulari, nonché il trasferimento delle caratteristiche definite automaticamente in campioni proteomici, pronti per l'analisi. A tal fine, introduciamo il software "BIAS" (Biology Image Analysis Software), che coordina i microscopi a scansione e microdissezione laser (LMD). Questo combina perfettamente l'imaging ricco di dati di colture cellulari o tessuti archiviati di biobanche (fissati in formalina e inclusi in paraffina (FFPE)) con la segmentazione cellulare basata sull'apprendimento profondo e l'identificazione basata sull'apprendimento automatico dei tipi e degli stati delle cellule. Gli oggetti cellulari o subcellulari di interesse vengono selezionati dall'intelligenza artificiale da sola o dopo istruzioni prima di essere sottoposti a LMD automatizzata e profilazione proteomica. I dati generati da DVP possono essere estratti per scoprire le firme proteiche fornendo approfondimenti molecolari sulla variazione del proteoma a livello fenotipico mantenendo informazioni spaziali complete.

DVP combina imaging ad alta risoluzione, analisi delle immagini guidata dall'intelligenza artificiale per la classificazione e l'isolamento di singole cellule con un flusso di lavoro proteomico ultrasensibile2. DVP collega l'imaging ricco di dati di colture cellulari o tessuti archiviati di biobanche di pazienti con la segmentazione cellulare basata sull'apprendimento profondo e l'identificazione basata sull'apprendimento automatico di tipi e stati cellulari. Oggetti cellulari o subcellulari di interesse classificati dall'intelligenza artificiale (non) supervisionati vengono sottoposti a profilazione proteomica automatizzata basata su LMD e MS. La successiva analisi dei dati bioinformatici consente il data mining per scoprire le firme delle proteine, fornendo approfondimenti molecolari sulla variazione del proteoma negli stati di salute e di malattia a livello delle singole cellule. tSNE, incorporamento di vicini stocastici distribuiti su t.

Gli aspetti relativi alla microscopia del flusso di lavoro DVP si basano sull'imaging dell'intero vetrino ad alta risoluzione, sull'apprendimento automatico (ML) e sull'apprendimento profondo (DL) per l'analisi delle immagini.