Sztuczna inteligencja może pomóc naukowcom wykrywać populacje komórek nowotworowych, które już w pierwotnym guzie wykazują cechy związane z późniejszym tworzeniem przerzutów. Naukowcy z Centrum Badań Biologicznych HUN-REN w Szegedzie, we współpracy z zespołami ze Szwajcarii i Szwecji, opracowują metody łączące analizę obrazów mikroskopowych z informacjami o aktywności genów i białek. Wyniki mogą w przyszłości wesprzeć rozwój bardziej precyzyjnego leczenia nowotworów.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja pomaga wykrywać różne populacje komórek nowotworowych i identyfikować te, które mogą mieć znaczenie dla rozwoju przerzutów.
- Jak głęboka proteomika wizualna (DVP) łączy analizę obrazów histologicznych z badaniem białek i aktywności genów w wybranych komórkach.
- Co wykazała analiza pierwotnego czerniaka oraz późniejszych przerzutów do płuc i mózgu u młodego pacjenta.
- Jak połączenie AI, proteomiki i transkryptomiki może w przyszłości wspierać onkologię precyzyjną i bardziej spersonalizowane decyzje dotyczące leczenia.
Guz nowotworowy nie jest jednorodną strukturą
Jednym z istotnych problemów współczesnej onkologii jest heterogeniczność nowotworów. W obrębie tego samego guza mogą występować różne populacje komórek, które odmiennie reagują na leczenie, mają różny potencjał wzrostu i mogą w różnym stopniu odpowiadać za rozwój przerzutów.
Niektóre szczególnie niebezpieczne populacje mogą być obecne już w chwili rozpoznania choroby, ale pozostawać trudne do wykrycia. Miesiące lub lata później mogą natomiast przyczyniać się do nawrotu choroby, powstawania zmian przerzutowych albo rozwoju oporności na terapię. Tradycyjne analizy molekularne często obejmują całą próbkę tkanki. Otrzymany wynik stanowi więc pewnego rodzaju uśredniony obraz guza, przez co istotne różnice między niewielkimi grupami komórek mogą zostać przeoczone.
AI łączy obraz guza z jego profilem molekularnym
Grupa Momentum Microscopic Image Analysis and Machine Learning, kierowana przez Pétera Horvátha, rozwija technologie cyfrowej patologii oraz omiki przestrzennej. Ich zadaniem jest nie tylko określenie, jak poszczególne obszary guza wyglądają pod mikroskopem, ale również ustalenie, czym różnią się na poziomie molekularnym.
Jednym z fundamentów tych prac jest zautomatyzowane centrum badań pojedynczych komórek w Szegedzie. System pozwala sztucznej inteligencji wskazywać interesujące komórki, które następnie mogą być precyzyjnie izolowane z tkanki i poddawane dalszym analizom. Technologia umożliwia prowadzenie procesu w sposób zautomatyzowany, bez ciągłej ingerencji człowieka. Dzięki temu badacze mogą tworzyć znacznie dokładniejsze mapy wewnętrznego zróżnicowania nowotworu.
Głęboka proteomika wizualna pokazuje, jak działają komórki
Ważnym elementem badań jest głęboka proteomika wizualna (Deep Visual Proteomics, DVP). Najpierw algorytmy AI analizują obrazy histologiczne i identyfikują określone typy lub populacje komórek. Następnie wybrane komórki są izolowane za pomocą cienkiej wiązki laserowej.
Kolejnym etapem jest analiza proteomiczna, pozwalająca określić białka obecne w badanych komórkach. Ma to szczególne znaczenie w onkologii, ponieważ profil białkowy może dostarczać informacji o tym, w jaki sposób komórka funkcjonuje, rośnie, adaptuje się do otoczenia lub rozwija oporność na leczenie.
Naukowcy rozszerzyli tę metodę również o transkryptomikę, która pozwala ustalić, które geny są aktywne w danej komórce. W efekcie tę samą populację można analizować z dwóch uzupełniających się perspektyw – aktywności genów oraz wynikających z niej funkcji białek. Podejście takie jest istotne, ponieważ agresywnego zachowania komórek nowotworowych nie można zwykle wyjaśnić jednym mechanizmem. Znaczenie ma jednocześnie aktywność genów, funkcjonowanie białek, metabolizm oraz interakcje komórek nowotworowych z układem odpornościowym.
AI pomogła prześledzić możliwe źródło przerzutów czerniaka
Potencjał technologii naukowcy pokazali również na przykładzie młodego pacjenta z nawrotowym czerniakiem przerzutowym. Przeanalizowano próbki pochodzące z guza pierwotnego oraz późniejszych przerzutów do płuc i mózgu. Cyfrowa patologia wykorzystująca sztuczną inteligencję pozwoliła zidentyfikować w pierwotnym czerniaku dwie odrębne populacje komórek nowotworowych. Co istotne, komórki występujące w późniejszych przerzutach przypominały przede wszystkim jedną z tych populacji.
Podobieństwo potwierdziła analiza białek. Profil molekularny jednej z populacji obecnych w pierwotnym guzie był najbardziej zbliżony do profilu późniejszych zmian przerzutowych. Wyniki sugerują więc, że biologiczne ślady związane z późniejszym rozprzestrzenianiem się choroby mogły istnieć już na wcześniejszym etapie.
W przypadku czerniaka nie tylko zaobserwowaliśmy, że różne części guza wyglądają inaczej. Dzięki tej metodzie mogliśmy również wykazać, że te różnice znajdują odzwierciedlenie na poziomie białek. Może to przybliżyć nas do zrozumienia, które populacje komórek mogą być odpowiedzialne za powstawanie przerzutów – powiedział Ede Migh, biolog i jeden z badaczy biorących udział w badaniu
Sztuczna inteligencja nie zastępuje patologa
Badacze podkreślają, że w tym podejściu AI nie jest samodzielnym narzędziem diagnostycznym. Jej zadaniem jest przede wszystkim zwiększenie rozdzielczości, z jaką można analizować strukturę biologiczną nowotworu. Klasyczna ocena patologiczna pozwala charakteryzować określone obszary tkanki. Algorytmy mogą natomiast wspierać analizę na poziomie pojedynczych komórek, wskazując ich typ, lokalizację, wzajemne rozmieszczenie oraz proporcje poszczególnych populacji.
Połączenie tych danych z proteomiką i transkryptomiką może pomóc odpowiedzieć na pytanie, które komórki są szczególnie istotne dla progresji choroby, przerzutowania czy oporności na leczenie.
Im dokładniej będziemy w stanie określić, które komórki powodują rozwój choroby, tym bliżej będziemy do zaatakowania nie tylko samego guza, ale także jego najniebezpieczniejszych części – powiedział Péter Horváth.
Czy AI pomoże w bardziej precyzyjnym leczeniu raka?
Przedstawione wyniki nie oznaczają jeszcze powstania nowego testu diagnostycznego czy terapii dostępnej dla pacjentów. Pokazują jednak kierunek, w którym może rozwijać się onkologia precyzyjna. Jeżeli w przyszłości możliwe będzie wiarygodne rozpoznawanie już w pierwotnym guzie populacji komórek szczególnie skłonnych do przerzutowania lub rozwoju oporności, informacje takie mogłyby wspierać ocenę przebiegu choroby i dobór strategii leczenia.
Potrzebne są jednak dalsze badania obejmujące większe grupy pacjentów, aby określić kliniczną wartość takich analiz oraz sprawdzić, czy wykrywane wzorce rzeczywiście pozwalają przewidywać rozwój choroby.
Główne wnioski
- Naukowcy z Centrum Badań Biologicznych HUN-REN w Szegedzie rozwijają metody wykorzystujące AI do łączenia obrazów mikroskopowych nowotworów z informacjami o aktywności genów i białek.
- Głęboka proteomika wizualna (DVP) pozwala za pomocą AI identyfikować określone populacje komórek, izolować je z tkanki i szczegółowo analizować ich profil molekularny.
- W badaniu pacjenta z czerniakiem AI wykryła dwie odrębne populacje komórek w guzie pierwotnym. Komórki późniejszych przerzutów do płuc i mózgu przypominały głównie jedną z nich, co potwierdziła analiza białek.
- Wyniki sugerują, że ślady związane z późniejszym przerzutowaniem mogą być obecne już w pierwotnym guzie. Technologia wymaga jednak dalszych badań, zanim będzie mogła znaleźć szersze zastosowanie kliniczne.
Źródło:
- https://link.springer.com/article/10.1038/s44321-026-00484-8
- https://www.nature.com/articles/s41698-026-01569-w
- HUN-REN Szegedi Biológiai Kutatóközpont
