Глубокая визуальная протеомика определяет единый

Природная биотехнология, том 40, страницы 1231–1240 (2022 г.) Процитировать эту статью

56 тысяч доступов

57 цитат

539 Альтметрика

Подробности о метриках

Несмотря на наличие методов пространственной протеомики, основанных на визуализации и масс-спектрометрии, ключевой проблемой остается соединение изображений с измерениями содержания белка с разрешением в одной клетке. Здесь мы представляем глубокую визуальную протеомику (DVP), которая сочетает в себе анализ изображений клеточных фенотипов на основе искусственного интеллекта с автоматизированной лазерной микродиссекцией одной клетки или одного ядра и масс-спектрометрией сверхвысокой чувствительности. DVP связывает изобилие белков со сложными клеточными или субклеточными фенотипами, сохраняя при этом пространственный контекст. Индивидуально вырезая ядра из клеточной культуры, мы классифицировали различные состояния клеток с протеомными профилями, определяемыми известными и неохарактеризованными белками. В заархивированной ткани первичной меланомы DVP выявил пространственно разрешенные изменения протеома при переходе нормальных меланоцитов в полностью инвазивную меланому, выявив пути, которые изменяются пространственно по мере прогрессирования рака, такие как нарушение регуляции сплайсинга мРНК при метастатическом вертикальном росте, что совпадает со снижением передачи сигналов интерферона и презентация антигена. Способность DVP сохранять точную пространственную протеомную информацию в контексте ткани имеет значение для молекулярного профилирования клинических образцов.

Универсальность, разрешение и мультимодальный характер современной микроскопии позволяют получать все более подробные изображения неоднородности отдельных клеток и организации тканей1. В настоящее время обычно целью является заранее определенное подмножество белков, что далеко от фактической сложности протеома. Воспользовавшись существенно возросшей чувствительностью технологии, основанной на масс-спектрометрии (МС), мы решили дать возможность анализировать протеомы в их нативном, субклеточном контексте, чтобы изучить их вклад в здоровье и болезни. Мы объединили визуализацию с субмикронным разрешением, анализ изображений для фенотипирования отдельных клеток на основе искусственного интеллекта (ИИ) и изоляцию со сверхчувствительным рабочим процессом протеомики2 (рис. 1). Ключевыми проблемами оказались точное определение границ отдельных клеток и классов клеток, а также перенос автоматически определенных функций в протеомные образцы, готовые для анализа. С этой целью мы представляем программное обеспечение «BIAS» (Программное обеспечение для анализа биологических изображений), которое координирует работу сканирующих и лазерных микродиссекционных (LMD) микроскопов. Это органично сочетает в себе богатую данными визуализацию клеточных культур или тканей из архивных биобанков (фиксированных в формалине и залитых в парафин (FFPE)) с сегментацией клеток на основе глубокого обучения и идентификацией типов и состояний клеток на основе машинного обучения. Представляющие интерес клеточные или субклеточные объекты выбираются ИИ самостоятельно или после инструкций перед тем, как они подвергаются автоматическому LMD и протеомному профилированию. Данные, полученные с помощью DVP, можно использовать для обнаружения сигнатур белков, что дает молекулярное представление об вариациях протеома на фенотипическом уровне, сохраняя при этом полную пространственную информацию.

DVP сочетает в себе визуализацию высокого разрешения, анализ изображений под управлением искусственного интеллекта для классификации и изоляции отдельных клеток со сверхчувствительным рабочим процессом протеомики2. DVP связывает богатые данными изображения клеточной культуры или архивных тканей биобанка пациента с сегментацией клеток на основе глубокого обучения и идентификацией типов и состояний клеток на основе машинного обучения. (Не)контролируемые ИИ клеточные или субклеточные объекты, представляющие интерес, подвергаются автоматическому протеомному профилированию на основе LMD и MS. Последующий анализ данных биоинформатики позволяет осуществлять интеллектуальный анализ данных для обнаружения сигнатур белков, обеспечивая молекулярное понимание изменений протеома в состояниях здоровья и заболеваний на уровне отдельных клеток. tSNE, t-распределенное стохастическое вложение соседей.

Аспекты рабочего процесса DVP, связанные с микроскопией, основаны на визуализации всего предметного стекла с высоким разрешением, машинном обучении (ML) и глубоком обучении (DL) для анализа изображений.