A Szegedi Biológiai Kutatóközpont Lendület Mikroszkópos Képelemzés és Gépi Tanulás Kutatócsoportja, Horváth Péter államtitkár vezetése alatt, svéd és svájci partnerekkel közösen olyan módszereket fejlesztett, amelyek a daganatok belső heterogenitását egysejt-szinten képesek feltérképezni. A csapat a napokban két tanulmányt közölt, amelyekben AI-alapú képelemzéssel, térbeli proteomikával és transzkriptomikával vizsgálták a tumorsejtek genetikai és fehérjeállományát.
A hagyományos molekuláris vizsgálatok általában az egész szövettömeget egyszerre elemzik, ezért könnyen elkerülheti a figyelmet, ha egy daganat különböző részei eltérő biológiai viselkedést mutatnak. A szegedi kutatók célja olyan „molekuláris térkép” létrehozása volt, amely nemcsak megmutatja, hogyan néz ki egy daganat, hanem azt is, hogy a benne található egyes sejtcsoportok milyen géneket és fehérjéket fejeznek ki.
A nemzetközi együttműködés és a technológiai háttér
A projektben meghatározó szerepet vállalt Holger Moch, a Zürichi Egyetemi Kórház molekuláris patológusa, és Markó-Varga György, a Lundi Egyetem kutatóprofesszora. A szegedi csoport saját fejlesztésű, automatizált egysejtes kutatóközpontja biztosítja a technológiai hátteret: ez a rendszer robotlézer segítségével, emberi beavatkozás nélkül képes az AI által kijelölt sejteket izolálni a mintából, akár folyamatos, 24 órás működés mellett.
A módszer alapja a Deep Visual Proteomics (DVP). Először a mesterséges intelligencia elemzi a mikroszkópos szövettani felvételeket, felismeri és kijelöli az érdekes sejttípusokat vagy sejtcsoportokat, majd célzott lézervágással kiveszik ezeket a mintából. A kivett sejtek proteomikai vizsgálata feltárja, milyen fehérjék vannak jelen, amelyek közvetlenül jelezhetik a sejtek működését, növekedését, alkalmazkodását vagy rezisztenciáját.
Egysejt-szintű genetikai és proteomikai párhuzamok
A közlemények egyikében a kutatók egysejt-szinten vizsgálták a tumorklónok gén- és fehérjeszintjét. Különösen azokra a sejtcsoportokra fókuszáltak, amelyek mikroszkópos jellegzetességeik alapján potenciálisan agresszívebbnek tűnnek. Ezeket a csoportokat a DVP és a transzkriptomikai elemzés együttesével vizsgálták, így meg tudták állapítani, mely gének aktívak a sejtekben, és ezek az aktivitások milyen fehérjeszintű működésre fordítódnak.
A kétféle elemzés párhuzamos alkalmazása lehetővé tette, hogy sokkal átfogóbban jellemezzék a vizsgált tumorsejtcsoportokat: a génaktivitás és a proteomikai eredmények együtt tárják fel a sejtek lehetséges biológiai agresszivitását, anyagcseréjét és az immunrendszerrel való kapcsolódását.
Visszakövethetők-e az áttétek forrásai?
A kutatócsoport egy gyakorlati esetet is bemutatott: egy fiatal, kiújult, áttétes melanomás beteg eredeti tumorából, valamint későbbi tüdő- és agyi áttéteiből származó mintákat vizsgáltak. Az AI-alapú digitális patológia két eltérő tumorsejtcsoportot jelölt ki az eredeti daganatban. A későbbi áttétek sejtjei elsősorban az egyik korai sejtcsoport molekuláris jellegzetességeihez hasonlítottak, amit a fehérjeelemzés is megerősített.
Ez az eredmény arra utal, hogy a betegség terjedésének „lenyomatai” már a primer tumorban jelen lehetnek, és hogy bizonyos sejtcsoportok a diagnózis pillanatában is olyan molekuláris mintázatot hordozhatnak, amely későbbi áttétképzéssel függ össze. Migh Ede, a kutatás egyik résztvevője szerint a módszerrel nem csupán morfológiai különbségeket lehetett kimutatni, hanem ezek a különbségek proteomikai szinten is megjelentek, ami közelebb viheti a kutatókat az áttétekért felelős sejtcsoportok azonosításához.
Klinikai jelentőség és korlátok
A szegedi kutatók hangsúlyozzák, hogy az AI itt nem helyettesíti a patologust, hanem új, sokkal finomabb felbontást ad a daganat vizsgálatához: míg a hagyományos értékelés nagyobb szöveti régiókat osztályoz, a mesterséges intelligencia sejtről sejtre elemzi a mintát. Minél pontosabb képet kaphatnak arról, mely sejtek hajtják a daganatterjedést vagy a terápiás rezisztenciát, annál inkább lehet célzottan ezekre a sejtekre irányuló kezeléseket tervezni.
Ugyanakkor a kutatók elismerik, hogy idő kell még ahhoz, hogy az eredményeket széles körben beépítsék a klinikai gyakorlatba és a terápiás döntéshozatalba. Mégis fontos előrelépésnek tekintik azt, hogy a jövőben pontosabban feltérképezhető legyen egy-egy daganat biológiai viselkedése, és hogy előre jelezhetők legyenek a legkritikusabb kockázatok, ezáltal elősegítve a személyre szabott terápiás döntéseket.
Címkék: mesterséges intelligencia, gépi tanulás, Szeged, orvostudomány, genetika, daganat, onkológia, Deep Visual Proteomics, egysejtes elemzés
