A Proteômica Visual Profunda define
Nature Biotechnology volume 40, páginas 1231–1240 (2022)Cite este artigo
56k acessos
57 Citações
538 Altmétrico
Detalhes das métricas
Apesar da disponibilidade de métodos baseados em imagens e baseados em espectrometria de massa para proteômica espacial, um dos principais desafios permanece conectando imagens com medições de abundância de proteínas com resolução de célula única. Aqui, apresentamos a Proteômica Visual Profunda (DVP), que combina a análise de imagem de fenótipos celulares baseada em inteligência artificial com microdissecção automatizada a laser de célula única ou núcleo único e espectrometria de massa de ultra-alta sensibilidade. O DVP vincula a abundância de proteínas a fenótipos celulares ou subcelulares complexos, preservando o contexto espacial. Ao excisar individualmente os núcleos da cultura celular, classificamos estados celulares distintos com perfis proteômicos definidos por proteínas conhecidas e não caracterizadas. Em um tecido de melanoma primário arquivado, o DVP identificou alterações proteômicas espacialmente resolvidas como transição de melanócitos normais para melanoma totalmente invasivo, revelando caminhos que mudam de maneira espacial à medida que o câncer progride, como desregulação de splicing de mRNA no crescimento vertical metastático que coincide com sinalização reduzida de interferon e apresentação do antígeno. A capacidade do DVP de reter informações proteômicas espaciais precisas no contexto do tecido tem implicações para o perfil molecular de amostras clínicas.
A versatilidade, resolução e natureza multimodal da microscopia moderna fornecem imagens cada vez mais detalhadas da heterogeneidade de célula única e da organização do tecido1. Atualmente, um subconjunto predefinido de proteínas é geralmente direcionado, muito aquém da complexidade real do proteoma. Aproveitando a sensibilidade substancialmente aumentada na tecnologia baseada em espectrometria de massa (MS), nos propusemos a permitir a análise de proteomas em seu contexto subcelular nativo para explorar sua contribuição para a saúde e a doença. Combinamos imagens com resolução submícron, análise de imagem para fenotipagem de célula única baseada em inteligência artificial (IA) e isolamento com um fluxo de trabalho de proteômica ultrassensível2 (Fig. 1). Os principais desafios acabaram sendo a definição precisa dos limites de célula única e classes de células, bem como a transferência dos recursos definidos automaticamente em amostras proteômicas, prontas para análise. Para tanto, apresentamos o software 'BIAS' (Biology Image Analysis Software), que coordena microscópios de varredura e microdissecção a laser (LMD). Isso combina perfeitamente imagens ricas em dados de culturas de células ou tecidos de biobancos arquivados (fixados em formalina e embebidos em parafina (FFPE)) com segmentação celular baseada em aprendizado profundo e identificação baseada em aprendizado de máquina de tipos e estados de células. Objetos celulares ou subcelulares de interesse são selecionados apenas pela IA ou após instrução antes de serem submetidos a LMD automatizado e perfil proteômico. Os dados gerados pelo DVP podem ser extraídos para descobrir assinaturas de proteínas, fornecendo informações moleculares sobre a variação do proteoma no nível fenotípico, mantendo informações espaciais completas.
O DVP combina imagem de alta resolução, análise de imagem guiada por IA para classificação e isolamento de célula única com um fluxo de trabalho de proteômica ultrassensível2. O DVP vincula imagens ricas em dados de cultura celular ou tecidos de biobancos de pacientes arquivados com segmentação celular baseada em aprendizado profundo e identificação baseada em aprendizado de máquina de tipos e estados de células. Objetos celulares ou subcelulares classificados por IA (não) supervisionados de interesse passam por perfis proteômicos baseados em LMD e MS automatizados. A análise subsequente de dados de bioinformática permite a mineração de dados para descobrir assinaturas de proteínas, fornecendo informações moleculares sobre a variação do proteoma nos estados de saúde e doença no nível de células individuais. tSNE, incorporação estocástica de vizinhança t-distribuída.
Os aspectos relacionados à microscopia do fluxo de trabalho do DVP baseiam-se em imagens de slides inteiros de alta resolução, aprendizado de máquina (ML) e aprendizado profundo (DL) para análise de imagens.