La multiómica espacial potencia la predicción de patologías

La multiómica espacial, aún en su fase de descubrimiento, puede significar cosas diferentes para diferentes personas. Por lo general, denota la visualización de datos transcriptómicos y proteómicos en el contexto de la arquitectura del tejido, ya sea directamente en la misma sección o en secciones en serie que se integran computacionalmente.

Las multiómicas espaciales pueden llegar a abarcar lípidos, glicanos, metabolitos, marcadores epigenéticos y sellos postraduccionales transitorios en proteínas. "Cada nueva tecnología en medicina crece desde el descubrimiento, pasando por la traducción, hasta el diagnóstico", dice Joachim Schmid, PhD, vicepresidente de I+D de informática espacial e IA de NanoString Technologies.

Sin embargo, incluso en su encarnación actual, la multiómica espacial se utiliza en laboratorios de investigación de patología para establecer métodos precisos para identificar y clasificar enfermedades y determinar la especificidad y eficacia de los fármacos. Según Jonathan Sweedler, PhD, Cátedra de Química de la Familia James R. Eiszner en la Universidad de Illinois en Urbana-Champaign, “Para algunas clases de moléculas, la multiómica espacial ya puede obtener distribuciones químicas de calidad dentro de tejidos y tumores. Las imágenes de espectrometría de masas y la espectroscopia vibratoria proporcionan información molecular relacionada con la salud de los tejidos”.

La inmunoterapia ha marcado el comienzo de la necesidad de análisis moleculares meticulosos y reproducibles para la clasificación granular de enfermedades que permitan relacionar a los pacientes con terapias óptimas.

“Las cosas se están complicando para el patólogo. Solía ​​ser simple: mirar algunas diapositivas de H&E e IHC, pasarlas al laboratorio molecular, pero ahora queremos saber la relación de los microambientes tumorales (TME) con las células tumorales. Ahí es donde entra en juego lo espacial”, dice Kenneth Bloom, MD, jefe de patología de Nucleai. "Debemos identificar los tipos de células en el TME al mismo tiempo y comprender sus relaciones porque a veces las células sólo funcionan de cierta manera cuando están adyacentes a otras células".

Elizabeth Neumann, PhD, profesora asistente de química en la Universidad de California, Davis, afirma: "Las enfermedades que alguna vez pensamos que eran homogéneas se pueden clasificar en subtipos a medida que obtenemos más datos multiómicos espaciales".

En Pathology Visions 2022 (una conferencia que se celebró en octubre pasado en Las Vegas, Nevada), Schmid sintió entusiasmo por la visualización de moléculas individuales en contextos espaciales. La patología digital digitaliza muestras completas en portaobjetos de vidrio mediante imágenes de portaobjetos completos y utiliza microscopía virtual y métodos computacionales para descubrir conocimientos clínicos. "Por primera vez se agotaron las entradas para la conferencia", señala Schmid. “Los líderes de opinión están hablando de ingresar al espacio de la biología espacial. Nadie sabe todavía cómo se traducirá en el trabajo diario, pero la multiómica espacial genera mucha información digital que se adapta al campo”.

Históricamente, los patólogos han dependido del tejido fijado en formalina e incluido en parafina (FFPE). Se está desarrollando tecnología espacial para FFPE, así como para tejido fresco congelado. Sin embargo, la revisión de tecnologías heredadas para flujos de trabajo complejos requiere beneficios sólidos.

"Si miras un tejido bajo un microscopio con los ojos, la cantidad de información que obtienes es limitada", comenta Sweedler. “Los patólogos han sido innovadores al teñir tejidos de modo que las moléculas de interés sean visibles para inferir estados patológicos. Estos funcionan. La pregunta es si es posible obtener información más granular mediante la multiómica espacial”.

El beneficio para los pacientes es el principal impulsor de la implementación de nuevas tecnologías. El uso de multiómica espacial ofrece claras ventajas para la estratificación de pacientes, no solo al adquirir más información para validar los resultados preliminares, sino también al adquirir información a la que no se podía acceder antes.

“Se puede utilizar una combinación de proteínas como firma [de la enfermedad], pero en muchos casos, para comprender el mecanismo del tratamiento o la progresión de la enfermedad, puede ser ventajoso tener una proteína de la superficie celular junto con citocinas y quimiocinas que pueden ser mucho mejores. medido a través del ARN”, dice Julia Kennedy-Darling, PhD, vicepresidenta de innovación de Akoya Biosciences.

En algunos casos, la multiómica espacial es una validación alternativa, pero en otros es el único camino hacia las respuestas. “Si tienes un nivel alto de proteína y ARN Her2, te da confianza. La ventaja es evidente cuando ambos tienen una expresión de media a baja”, afirma Kennedy-Darling. Analizar secuencialmente diferentes clases de biomarcadores (como es la práctica actual) para llegar a decisiones de diagnóstico lleva tiempo, mientras que adquirir conjuntos de datos integrados sobre la misma sección de tejido disipa las dudas y aumenta la velocidad. Por otro lado, para identificar la fuente de proteínas secretadas como las citoquinas, es imperativo detectar el ARN ya que la proteína se encuentra dispersa.

Al determinar las fuentes y destinos de las proteínas secretadas y los receptores a los que se unen, es posible mapear el panorama temporal de las vías de señalización dentro del contexto espacial.

“La mayoría de las tecnologías espaciales se han centrado en ofrecer una instantánea detallada de lo que existe. Poder superponer cómo las redes de señalización se perpetúan espacialmente es algo profundo”, continúa Kennedy-Darling. Estos enfoques espaciotemporales pueden proporcionar evidencia concreta de interacciones celulares y redes de señalización. Hasta ahora, los investigadores han tenido que confiar en correlaciones tenues.

La importancia en biología, al igual que el valor de los bienes raíces, está determinada en gran medida por la ubicación. Sin embargo, el poder de comprender las relaciones espaciales entre células se ha perdido en la mayoría de los estudios moleculares.

Las predicciones de las respuestas en oncología inmune son mucho mejores cuando los ensayos incluyen un componente espacial o de coexpresión que cuando se basan en la presencia o ausencia de un marcador, señala la Dra. Janis Taube, profesora de dermatopatología de la Universidad Johns Hopkins. Además de inclinar la balanza hacia un mayor valor predictivo, la multiómica espacial ofrece medidas cuantificables de la heterogeneidad celular. "Los patólogos saben que los tumores son heterogéneos", señala Taube, "pero poder poner números a eso será un nuevo y emocionante avance en el pronóstico y la predicción, con suerte tanto para la investigación de descubrimiento como para la patología clínica".

Los tumores consisten en una vertiginosa variedad de células cancerosas y inmunes con firmas moleculares únicas. La multiómica espacial unicelular que integra computacionalmente datos morfológicos con biomarcadores genómicos, transcriptómicos y proteómicos ha sido transformadora al descubrir marcadores para la TME heterogénea, el crecimiento tumoral, la metástasis y la resistencia a los medicamentos. La oncología de precisión se basa en la capacidad de los patólogos para identificar subtipos de células cancerosas y características de TME para mejorar el diagnóstico y el tratamiento.

"Mientras teñíamos tumores con múltiples marcadores inmunofluorescentes, nos topábamos con problemas de análisis, curación y almacenamiento de datos, así como con problemas de normalización y calibración", recuerda Taube. “La astronomía se enfrentó a problemas similares hace 25 años, al ampliar y ampliar imágenes multiespectrales. Tomamos nuestras lecciones del Sloan Digital Sky Survey y las aplicamos a muestras patológicas de tumores”.

El equipo de Taube ha desarrollado una plataforma llamada AstroPath para desarrollar biomarcadores para pacientes con cáncer en etapas avanzadas y actualmente se está centrando en etapas más tempranas.

En un artículo reciente, los investigadores utilizaron PandaOmics, la plataforma multiómica impulsada por IA de Insilico Medicine, para explorar los cambios en la expresión genética en trastornos poco comunes por deficiencia de reparación del ADN. El análisis descubrió una proteína de andamiaje (CEP135) importante en la división celular que se agotaba en enfermedades de reparación del ADN con una alta predisposición a sufrir cáncer. La estratificación de los pacientes según la expresión de CEP135 permitió a los investigadores identificar un objetivo terapéutico potencial (PLK1) para los pacientes con sarcoma. Aunque las validaciones clínicas siguen pendientes, el estudio destaca el poder de la multiómica espacial en el descubrimiento rápido de biomarcadores y objetivos terapéuticos.

La multiómica espacial también puede ayudar a determinar los márgenes del tumor antes y después del tratamiento. “La forma de definir los límites entre el tejido sano y el cáncer no es trivial”, subraya Neumann. “Con la inmunofluorescencia tradicional, en un buen día, se pueden detectar un máximo de siete marcadores. Ni siquiera se pueden etiquetar todas las células inmunes con eso”. Aunque FFPE retiene la mayor parte de la información espacial, algunas moléculas son muy pocas o lábiles para ser detectadas, lo que atrae nuevos enfoques de procesamiento de tejidos y análisis de imágenes.

“Nuestra tecnología está desarrollada para FFPE, el estándar en la práctica de patología. También funciona con muestras recién congeladas. La pregunta de investigación determina en última instancia el tipo de muestra y las herramientas analíticas que se utilizan”, aconseja Schmid. “La sensibilidad y la calidad de los datos son una pieza del rompecabezas en la detección de proteínas y ARN de baja abundancia. La otra pieza es el análisis de datos y el control de calidad de los datos”.

"Los biobancos FFPE son un recurso increíble, pero el tejido fresco congelado a veces es más fácil de usar para espectrometría de masas rica en información molecular", detalla Sweedler. "Para cada categoría de biomoléculas, los pasos de procesamiento deben elaborarse por separado y optimizarse". Sweedler, cuyo trabajo involucra neuropéptidos inestables, ha descubierto que el calentamiento con láser desactiva rápidamente las enzimas degradantes y es un método eficaz para la estabilización de tejidos. “Las limitaciones no deberían desanimarte”, insiste Sweedler. "Estas son oportunidades para avanzar".

Si bien las multiómicas espaciales en las mismas secciones y en series de FFPE o tejido fresco congelado son útiles, cada una tiene sus propios méritos y desafíos. “La ventaja de la multiómica de secciones en serie está en los flujos de trabajo establecidos. Los desafíos están en el análisis de datos”, aclara Kennedy-Darling. Sin embargo, cuando se obtienen imágenes de diferentes moléculas en diferentes secciones y se combinan, una diferencia de una celda entre secciones puede provocar errores. “Con la misma sección, estás midiendo los objetivos directamente”, añade. "No hay dudas sobre la localización de los objetivos".

La multiómica espacial genera big data, lo que crea desafíos en el almacenamiento, el intercambio, la accesibilidad y el análisis de datos, además del desafío de volver a equipar a la fuerza laboral de patología con habilidades de software.

“Lo que se desea es generar los datos y almacenarlos de forma bien organizada en una única ubicación. Luego se pueden generar navegadores web que superpongan los datos y permitan consultas en la base de datos desde cualquier parte del mundo”, señala Taube.

"Nuestra plataforma de informática espacial AtoMx apoyará el análisis y revisión de la información", afirma Schmid. "La nube te permite trabajar sin preocuparte por el almacenamiento y permite un fácil acceso [a los datos] entre los colaboradores". Schmid cree que es importante crear soluciones de análisis de datos personalizadas basadas en las necesidades de los usuarios. Mientras que algunos necesitan métodos básicos y canales establecidos, otros quieren importar algoritmos de código abierto o codificar sus propios métodos. “No existe una única forma de proporcionarle todo lo que necesita. Queremos crear un ecosistema que permita a los usuarios conectar los puntos”, relata Schmid.

Diferentes laboratorios almacenan datos similares en formatos únicos, lo que supone un obstáculo para los estudios comparativos. Existen pocos estándares para facilitar la computación en la nube. Las empresas y los académicos apoyan los esfuerzos de estandarización proponiendo estándares para cada paso del proceso, adhiriéndose a formatos populares o trabajando a través de comités como el responsable del estándar de Imágenes Digitales y Comunicaciones en Medicina.

“La estandarización es poderosa, pero es un proceso lento. El desafío es no limitar la innovación”, afirma Schmid. NanoString admite el formato OME-TIFF para datos de imágenes y Seurat para análisis de "vecino más cercano ponderado".

La capacidad de la multiómica espacial para combinar información molecular y morfológica diversa en formatos analizables la alinea con las tendencias actuales en patología. Aunque su fase de descubrimiento implica el análisis de una gran cantidad de biomoléculas en laboratorios de investigación de patología, los estudios traslacionales probablemente canalizarán paneles difíciles de manejar hacia unos pocos marcadores destacados que encapsulan el quid clínico para beneficiar el diagnóstico y la medicina de precisión. En última instancia, la tecnología no determina su aplicación: la necesidad sigue siendo la madre indiscutible de la innovación.