GigaTIME și extinderea analizei microambientului tumoral prin imagistică virtuală multiplexată

Un studiu publicat în jurnalul Cell la data de 9 decembrie 2025 a analizat relația dintre imagistica histologică standard și expresia spațială a proteinelor implicate în microambientul imun tumoral la pacienți oncologici. Cercetarea arată că un cadru multimodal de inteligență artificială poate genera imagini virtuale multiplexate de imunofluorescență pornind de la mostre uzuale colorate cu hematoxilină și eozină, facilitând studii populaționale ample asupra microambientului imun tumoral.
Microambientul imun tumoral reprezintă un ecosistem celular complex, compus din celule maligne, fibroblaste asociate cancerului, celule endoteliale, pericite și numeroase populații imune. Acest ansamblu determină evoluția tumorală, invazia, metastazarea și răspunsul la terapiile oncologice. Tehnicile convenționale de imunohistochimie permit observarea activării unui singur marker proteic pe o mostră, ceea ce limitează înțelegerea interacțiunilor coordonate dintre celulele tumorale și cele imune. Imunofluorescența multiplexată oferă o viziune multicanal asupra proteinelor, însă costurile ridicate și infrastructura necesară fac dificilă utilizarea ei pe scară largă. În schimb, imaginile obținute prin hematoxilină și eozină sunt omniprezente în practica medicală și ieftine, deschizând posibilitatea ca inteligența artificială să recupereze din acestea indicii spațiale care trădează stări funcționale celulare și activări proteice.

Despre studiu

Studiul prezintă GigaTIME, un cadru de inteligență artificială conceput pentru a traduce imagini clasice colorate cu hematoxilină și eozină în imagini virtuale de imunofluorescență multiplexată. Modelul folosește un translator multimodal antrenat pe un corpus vast: 40 de milioane de celule provenite din diapozitive pereche (hematoxilină-eozină și imunofluorescență) care includ 21 de canale proteice.

Arhitectura utilizată este un encoder-decoder de tip NestedUNet, organizat pe module de tip patch pentru ca fiecare regiune histologică să fie convertită în mod corespunzător într-un set de canale proteice virtuale. Din imagini hematoxilină-eozină au fost generate mii de fragmente digitale, iar fiecare patch predă un set de 21 de rezultate proteice virtuale, ulterior reasamblate în imagini imunofluorescente întregi.

Modelul a fost antrenat și validat pe date împărțite în seturi de antrenament, dezvoltare și testare. Performanțele au fost evaluate la nivel de pixel, celulă și lamă histologică. Comparativ cu metode consacrate de traducere a imaginilor, precum CycleGAN, GigaTIME a demonstrat o acuratețe semnificativ superioară în 15 dintre cele 21 de markeri, atât în ceea ce privește suprapunerea spațială (scor Dice), cât și concordanța numerică a pixelilor activați (corelații Pearson).

Modelul a fost ulterior aplicat pe o populație clinică extinsă, incluzând 14.256 de pacienți din 51 de spitale și peste 1.000 de clinici, aparținând unui sistem medical regional din Statele Unite. Au fost generate 299.376 de imagini virtuale de imunofluorescență acoperind 24 de tipuri de cancer și 306 subtipuri histopatologice. Această populație virtuală a fost îmbogățită cu date clinice precum stări ale biomarkerilor, stadii patologice și evoluția supraviețuirii.

Un element crucial al studiului îl reprezintă definirea unei semnături GigaTIME, o integrare a tuturor celor 21 de activări proteice virtuale, utilizată pentru stratificarea pacienților. Acest scor combinat capturează interconexiunile între canalele proteice, oferind o imagine coerentă a comportamentului imun tumoral.

Generalizabilitatea modelului a fost testată prin aplicarea sa pe o populație complet independentă, generată pe baza datelor de la Cancer Genome Atlas, cu 10.200 de tumori și 214.200 de imagini virtuale sintetizate în 21 de canale. A fost observată o concordanță robustă între cele două populații, cu o corelație Spearman de 0,88 la nivelul activărilor proteice.

Rezultate

Performanța modelului în generarea imaginilor mIF

La nivel de pixel, GigaTIME a depășit consistent CycleGAN, obținând scoruri Dice de până la 0,72 pentru markeri precum DAPI, față de 0,12 pentru un model bazat pe medii de activare. Evaluarea la nivel celular a arătat că GigaTIME recuperează în mod coerent densitatea semnalelor pentru fiecare marker, atingând o corelație 0,59 pentru DAPI, în timp ce CycleGAN s-a apropiat de performanța aleatorie. Evaluarea globală, bazată pe o metrică apropiată de conceptul de immunoscore, a evidențiat o corelație Spearman de 0,98 pentru DAPI.

Modelul a demonstrat robustețe și pe cohorte noi, precum tumori cerebrale și mamare provenite din microarii tisulare, unde structura probelor este distinctă față de lamele folosite pentru antrenament. Markerii nucleari, precum DAPI sau Ki-67, au fost cel mai bine traduşi, datorită limitelor histologice clare, în timp ce markerii de suprafață sau citoplasmatici prezintă un nivel inerent mai mare de variabilitate.

Asocieri proteine-biomarkeri la scară populațională

Populația virtuală a permis identificarea a 1.234 de asocieri semnificative statistic între activările proteice și 20 de biomarkeri clinici, analizate la nivel pan-cancer, nivel de tip tumoral și nivel de subtip.

• La nivel pan-cancer, 175 asocieri semnificative au relevat modele cunoscute din imunologie tumorală. Tumorile cu încărcătură mutațională mare și instabilitate microsatelitară au prezentat activări crescute pentru markeri precum CD138, CD20, CD68 sau CD4.
• Mutările KMT2D au fost asociate cu activare imună crescută, în timp ce mutațiile KRAS au prezentat corelații negative cu infiltratul imun.
• Expresia PD-L1 determinată clinic a fost în acord cu activarea virtuală PD-L1, validând acuratețea modelului.

Analizele pe tipuri de cancer au evidențiat asocieri specifice, în special în tumori cerebrale, pulmonare și colorectale. La nivel de subtipuri histologice, au fost identificate diferențe relevante, precum divergența dintre adenocarcinomul pulmonar și carcinomul scuamos în relația cu mutațiile PRKDC, încărcătura mutațională și infiltratul imun.

Asocieri cu stadiile patologice și stratificare prognostică

La nivel pan-cancer, stadiul tumoral primar a prezentat corelații pozitive între dimensiunea tumorii și activarea markerilor de checkpoint imu­nologic. În schimb, nodalitatea a avut puține legături, iar stadiul metastatic a arătat o inversare a unor modele, reflectând mecanisme alternative de evaziune imună.

Semnătura GigaTIME integrată a depășit performanțele markerilor individuali în stratificarea pacienților în funcție de supraviețuire. Aceasta sugerează că informația provenită din multiple canale proteice are o valoare prognostică superioară.

Validarea cu cohorta TCGA și analiza spațială

Validarea pe cohorta TCGA a confirmat robustețea modelului, cu suprapuneri semnificative ale asocierilor proteină-biomarker și generalizarea activărilor proteice.

Studiul a evaluat și metrici spațiale avansate precum entropia, raportul semnal-zgomot și sharpness, care au identificat asocieri mai puternice decât simpla densitate de activare în numeroase situații, sugerând că distribuția spațială a semnalelor proteice este la fel de importantă ca abundența lor totală.

Analiza combinată a markerilor a dezvăluit sinergii importante, cum ar fi combinația dintre CD138 și CD68, care prezintă o putere superioară de predicție față de markerii individuali, sugerând implicarea unui răspuns imun coordonat mediat prin anticorpi.