Onderzoekers in Zwitserland hebben een AI-foundationmodel ontwikkeld dat de complexe ruimtelijke organisatie van tumorweefsel kan analyseren bij verschillende soorten kanker en in uiteenlopende datasets. Het model, Virtual Tissues (VirTues), kan onderzoekers helpen biomarkers te identificeren, behandelrespons te voorspellen en uiteindelijk bijdragen aan meer gepersonaliseerde kankerbehandelingen.
Een tumor bestaat uit veel meer dan alleen kankercellen. Immuuncellen, bloedvaten en omliggend weefsel hebben allemaal invloed op de manier waarop kanker zich ontwikkelt en op een behandeling reageert. Zelfs tumoren met vergelijkbare soorten cellen kunnen verschillend op dezelfde therapie reageren, afhankelijk van hoe die cellen zijn georganiseerd en met elkaar interacteren.
Met spatial proteomics kan die organisatie in kaart worden gebracht door tientallen of zelfs honderden eiwitten te meten, terwijl ook hun locatie binnen het weefsel behouden blijft. Onderzoeken gebruiken echter vaak verschillende technologieën, protocollen en combinaties van eiwitmarkers. Daardoor zijn de resulterende datasets moeilijk met elkaar te vergelijken of te combineren.
Onderzoekers van onder meer EPFL, ETH Zürich, de Universiteit van Genève en de Universiteit van Zürich ontwikkelden VirTues om dit probleem aan te pakken. De resultaten zijn gepubliceerd in Nature.
Samenhang leren
VirTues werkt als een foundationmodel. In plaats van voor één specifieke analysetaak te worden ontwikkeld, leert het model van grote hoeveelheden spatial-proteomicsdata. Zoals taalmodellen relaties tussen woorden leren, leert VirTues de samenhang tussen eiwitten, cellen en hun ruimtelijke context.
Charlotte Bunne, hoofd van de onderzoeksgroep Artificial Intelligence in Molecular Medicine van EPFL, benadrukt dat alleen weten welke cellen aanwezig zijn, niet voldoende is. Ook hun locatie en onderlinge interacties zijn van belang. De onderzoekers verzamelden hiervoor een grote hoeveelheid spatial-proteomicsdata. De kerndataset bestond uit 15 cohorten met 3.102 patiënten en 146 verschillende markers. Een uitgebreidere dataset omvatte 32 cohorten, ruim 5.100 patiënten en 239 markers, afkomstig van verschillende beeldvormingstechnologieën.
Een nieuwe Transformer-architectuur maakt het mogelijk om datasets te analyseren waarin verschillende combinaties van eiwitten zijn gemeten. Nieuwe weefselmonsters kunnen daardoor binnen hetzelfde model worden geanalyseerd, zonder voor ieder onderzoek een afzonderlijk model te hoeven ontwikkelen.
VirTues kan onder meer cellen segmenteren en classificeren, ontbrekende eiwitmarkers reconstrueren, ruimtelijke biomarkers identificeren en patiënten stratificeren. Ook kan het niet eerder geziene datasets analyseren zonder daarvoor specifiek opnieuw te worden getraind.
Model presteert beter
De onderzoekers demonstreerden de mogelijke klinische relevantie met verschillende kankerdatasets. Bij triple-negatieve borstkanker (TNBC) identificeerde VirTues kenmerken in tumorweefsel die verband hielden met de respons op chemotherapie gecombineerd met anti-PD-L1-immunotherapie. Het model presteerde daarbij beter dan verschillende bestaande computationele methoden bij het voorspellen van een pathologisch complete respons.
Daarnaast identificeerde VirTues ruimtelijke kenmerken waarmee patiënten in een onafhankelijk TNBC-cohort konden worden gestratificeerd op basis van ziektevrije overleving. Ook presteerde het model goed bij onder meer het bepalen van subtypen en gradering van longkanker en de oestrogeenreceptorstatus bij borstkanker.
Olivier Michielin, hoofd precisie-oncologie bij Geneva University Hospitals, ziet mogelijkheden om VirTues uiteindelijk te gebruiken binnen multidisciplinaire overleggen voor precisie-oncologie. Verder onderzoek moet aantonen of de voorspellingen daadwerkelijk tot betere klinische beslissingen kunnen leiden.
AI bij kankerzorg
VirTues past binnen een bredere ontwikkeling waarbij AI steeds vaker wordt ingezet voor kankeronderzoek, diagnostiek en behandeling. Zo ontwikkelden onderzoekers van de Universiteit van Navarra de open-source tool RNACOREX om complexe genetische regulatienetwerken te analyseren en moleculaire patronen te identificeren die verband houden met overleving bij kanker.
Onderzoekers van de Universiteit van Cambridge ontwikkelden dan weer SMMILe, een AI-systeem dat digitale pathologiebeelden analyseert en verschillende tumorregio's en subtypen in kaart brengt. Dergelijke toepassingen kunnen artsen uiteindelijk helpen behandelingen beter af te stemmen op verschillen binnen individuele tumoren.
VirTues kan op termijn onderdeel worden van een nog veel breder virtueel model van individuele patiënten. Bunne leidt een vijfjarig project waarin informatie over weefsel moet worden gecombineerd met pathologie, genetische informatie, klinische gegevens en andere patiëntdata.
Het beschrijven van de toestand van een patiënt is daarbij volgens Bunne slechts de eerste stap. De moeilijkere vervolgstap is voorspellen hoe weefsel onder invloed van een bepaalde behandeling zal veranderen.
