[論文レビュー] AI-powered virtual tissues from spatial proteomics for clinical diagnostics and biomedical discovery

Johann Wenckstern, Eeshaan Jain+10 more|arXiv (Cornell University)|Jan 10, 2025

Scientific Computing and Data Management被引用数 7

ひとこと要約

VirTues は、癌種やマーカーを超えて一般化する空間プロテオミクスの基盤モデルフレームワークであり、組織ベースの検索を介して横断研究分析、ゼロショット予測、臨床意思決定支援を可能にする。

ABSTRACT

Spatial proteomics technologies have transformed our understanding of complex tissue architecture in cancer but present unique challenges for computational analysis. Each study uses a different marker panel and protocol, and most methods are tailored to single cohorts, which limits knowledge transfer and robust biomarker discovery. Here we present Virtual Tissues (VirTues), a general-purpose foundation model for spatial proteomics that learns marker-aware, multi-scale representations of proteins, cells, niches and tissues directly from multiplex imaging data. From a single pretrained backbone, VirTues supports marker reconstruction, cell typing and niche annotation, spatial biomarker discovery, and patient stratification, including zero-shot annotation across heterogeneous panels and datasets. In triple-negative breast cancer, VirTues-derived biomarkers predict anti-PD-L1 chemo-immunotherapy response and stratify disease-free survival in an independent cohort, outperforming state-of-the-art biomarkers derived from the same datasets and current clinical stratification schemes.

研究の動機と目的

• 癌性組織と非癌性組織の両方にまたがる、マルチプレックス空間プロテオミクスデータの異質性と高次元性に対処する。
• 生物学的意味を保つ新規トークン化方式とマーカーおよび空間注意機構を備えた、トランスフォーマーベースの基盤モデル（VirTues）を開発する。
• ファインチューニングなしで、新しいデータセット、マーカー、癌種へのゼロショット一般化を実現する。
• 診断・発見・検索ベースの臨床意思決定支援のために、細胞・ニッチ・組織というマルチスケールの組織表現を提供する。

提案手法

• VirTues を導入する。マーカー固有および空間注意を備え、数百チャネルにスケールするビジョン・トランスフォーマー。
• タンパク質言語モデルの埋め込みと空間チャネルパッチ、および学習可能な細胞サマリーTokenを組み合わせた新規トークン化方式を採用する。
• チャネル、マーカー、ニッチレベルのマスキングを用いたMasked Autoencoder (MAE) を訓練し、細胞レベル・ニッチレベル・組織レベルの表現を学習する。
• 細胞・ニッチ・組織のサマリーTokenを生成し、スケールを超えた下流予測を可能にする。
• トランスフォーマー内でスパース注意を用いて高次元性を管理し、マーカー間相互作用の解釈性を維持する。
• 見たことのないマーカーを含むデータセットでゼロショット一般化を評価し、CA-MAEおよびResNetベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 VirTues は、組織タイプや未見のマーカーセットに対して、タスク特異的なファインチューニングなしで一般化できるか？
• RQ2 確立されたベースラインと比較して、細胞タイプ・ニッチ構造・組織レベルの予測をどの程度高精度に行えるか？
• RQ3 モデルは生物学的知識と一致する、解釈可能なマーカーおよび空間注意の洞察を提供するか？
• RQ4 臨床的に関連するラベルを持つ類似組織ケースの検索を通じて、VirTues は臨床意思決定を支援できるか？

主な発見

• VirTues は細胞レベル・ニッチレベル・組織レベルのタスクで堅牢な性能を発揮し、乳がんおよび肺がんデータセットでCA-MAEおよびResNetベースラインを上回る。
• 乳がんでは、VirTues のERステータス精度は0.89、癌グレード精度は0.68で、CA-MAEをそれぞれ7.26%、32.16%上回る（比較のP値を報告）。
• 肺がんでは、癌タイプ精度0.87、癌グレード精度0.63を達成し、ベースラインよりそれぞれ11.72%、16.21%の改善（P値報告）。
• VirTues は、希少な細胞集団（例: 乳がんのNK細胞・B細胞、肺がんの血管細胞）を含む、堅牢な細胞タイプ分類と再現率/F1の改善を示す。
• ニッチレベルの結果は、抑制的膨張、TLS様領域、PDPN+領域などの構造を同定する高い精度を示し、ベースラインを顕著に上回る（P値を提供）。
• 組織レベルの予測には、癌タイプ・グレード・乳がんのPAM50サブタイピング、肺がんの癌タイプ・グレード・再発予測を含み、複数の指標でベースラインを上回る。