Die Deep Visual Proteomics-Technologie liefert zellspezifische, proteinbasierte Informationen für die Krebsanalyse
Wie entsteht Krebs? Wie verändert die Zellzusammensetzung des Tumors seine bösartigen Eigenschaften? Diese Fragen sind wichtig und schwer zu beantworten. Dennoch sind sie entscheidend, um Krebs zu verstehen und eine dauerhafte Heilung zu finden. Ein deutsch-dänisches Team unter der Leitung von Matthias Mann hat bereits eine bahnbrechende Technologie entwickelt, Deep Visual Proteomics. Diese Technologie liefert Forschern und Klinikern proteinbasierte Informationen und hilft, Krebs zu verstehen, indem sie einzelne Zelltypen auflöst. Die Technologie demonstriert ihr Potenzial erstmals in Krebszellen.
Deep Visual Proteomics-Konzept und -Workflow (im Uhrzeigersinn): Deep Visual Proteomics kombiniert hochauflösende Bilder, Bildanalyse mit künstlicher Intelligenz zur Klassifizierung und Isolierung einzelner Zellen mit einem neuen hochempfindlichen Proteomik-Workflow. Die Methode kombiniert die intensive Bildgebung von Patientenzellkulturen oder archivierten Biobankgeweben mit der auf Deep Learning basierenden Zellsegmentierung und der auf maschinellem Lernen basierenden Identifizierung von Zelltypen und -zuständen. (Un) beobachtet von KI-klassifizierten zellulären oder subzellulären Objekten von Interesse werden einer automatisierten Lasermikrodissektion und einer massenspektrometriebasierten proteomischen Profilerstellung unterzogen. Die anschließende Analyse von Bioinformationsdaten ermöglicht die Erfassung von Proteinsignaturen, die einen molekularen Überblick über proteomische Variationen in Gesundheits- und Krankheitszuständen auf Einzelzellebene bieten.
© MPI für Biochemie
Deep Visual Proteomics-Konzept und -Workflow (im Uhrzeigersinn): Deep Visual Proteomics kombiniert hochauflösende Bilder, Bildanalyse mit künstlicher Intelligenz zur Klassifizierung und Isolierung einzelner Zellen mit einem neuen hochempfindlichen Proteomik-Workflow. Die Methode kombiniert die intensive Bildgebung von Patientenzellkulturen oder archivierten Biobankgeweben mit der auf Deep Learning basierenden Zellsegmentierung und der auf maschinellem Lernen basierenden Identifizierung von Zelltypen und -zuständen. (Un) beobachtet von KI-klassifizierten zellulären oder subzellulären Objekten von Interesse werden einer automatisierten Lasermikrodissektion und einer massenspektrometriebasierten proteomischen Profilerstellung unterzogen. Die anschließende Analyse von Bioinformationsdaten ermöglicht die Erfassung von Proteinsignaturen, die einen molekularen Überblick über proteomische Variationen in Gesundheits- und Krankheitszuständen auf Einzelzellebene bieten.
© MPI für Biochemie
Proteine sind die Schlüsselteile des Puzzles für verschiedene Krankheiten. Sie werden auch „molekulare Arbeitspferde des Käfigs“ genannt. Ihre ordnungsgemäße Funktion bestimmt die Funktionalität der Zelle und damit des Individuums. Matthias Mann erklärt: „Wenn etwas in unseren Zellen nicht richtig funktioniert und wir krank werden, kann man sicher sein, dass Proteine auf vielfältige Weise daran beteiligt sind. Aus diesem Grund kann uns die Kartierung der Proteinlandschaft helfen zu verstehen: Warum kann sich bei einem bestimmten Patienten ein Tumor entwickeln? Welche Nachteile hat dieser Tumor und welche Behandlung ist sinnvoll?“, erklärt Matthias Mann vom Max-Planck-Institut für Biochemie bei München und dem Protein Research Center der Novo Nordisk Foundation an der Universität Kopenhagen in Dänemark.
Inspiriert von diesen Fragen hat ein interdisziplinäres Forschungsteam unter der Leitung von Matthias Mann eine neue innovative Methode entwickelt. In der Studie wurden die visuellen Merkmale des Tumors mithilfe einer Deep-Profiling-Technik bestimmt, um Proteine in abnormalen Zellclustern zu analysieren, die an umgebende gesunde Zellen angrenzen. Dieser Ansatz kann Forschern einen noch nie dagewesenen Einblick in Krebs verschaffen und Onkologen dabei helfen, gezielte Strategien für Diagnose und Therapie zu entwickeln.
Deep Visual Proteomics kombiniert vier Technologien
Zum ersten Mal integriert Deep Visual Proteomics die Vorteile von vier verschiedenen Technologien in einer Methodik. Erstens erstellt die moderne Mikroskopie hochauflösende Gewebekarten. Zweitens werden Algorithmen für maschinelles Lernen und künstliche Intelligenz verwendet, um Zellen anhand ihrer Form, Größe oder Lokalisierung von Proteinen zu klassifizieren, bevor einzelne Zellen mithilfe einer hochpräzisen Lasermikrodissektion zusammengesetzt werden. Drittens werden nach dem Sortieren normaler oder verschiedener erkrankter Zellpopulationen Tausende von Proteinen in diesen Zellpopulationen gleichzeitig durch hypersensitive Massenspektrometrie bestimmt. Viertens erzeugen komplexe bioinformatische Analysen Proteinkarten, die eine räumliche Trennung von Proteinen bei sehr komplexen Krankheiten wie Krebs ermöglichen. Solche Proteindiagramme sind wertvolle Hilfsmittel für Kliniker, um die Mechanismen von Gesundheit und Krankheit besser zu verstehen.
„Unser neues Konzept der Deep Visual Proteomics kann zu einem Paradigmenwechsel für die Molekularpathologie in der Klinik werden. Bei dieser Methode entnehmen wir eine Gewebeprobe mit Tumorzellen und können in kürzester Zeit und mit wenig Aufwand tausende Proteine identifizieren. Diese proteomischen Analysen zeigen Mechanismen auf, die die Tumorentwicklung stimulieren. Somit können neue therapeutische Ziele direkt aus einem einzelnen Gewebeteil einer Biopsie eines Patienten erhalten werden. Es zeigt einen Kosmos von Molekülen in diesen Krebszellen“, sagte Andreas Mund, außerordentlicher Professor am Zentrum für Proteinforschung und Teil eines Teams um Matthias Mann, der die Entwicklung am Zentrum für Proteinforschung und am Max-Planck-Institut leitet Institut für Biochemie.
Einhaltung der klinischen Pathologie
In der Studie konnten die Forscher „tiefe visuelle Proteomik“ auf Zellen von Patienten mit Speicheldrüsen und Hautkrebs anwenden. Lise Mette Rahbek Gjerdrum, beratende Beraterin und außerordentliche Professorin für klinische Forschung an der Abteilung für Pathologie des Universitätskrankenhauses Seeland in Roskilde und der Abteilung für klinische Medizin der Universität Kopenhagen, beschreibt: „Diese einzigartige Methode kombiniert die Gewebearchitekturanalyse mit der Proteomanalyse, die ist wesentlich für die ausgewählten Zellen sind spezifisch. Wir konnten kürzlich einen klinisch sehr komplexen Fall mittels Deep Visual Proteomics-Analyse diagnostizieren.
Fabian Koscha, einer der beiden Erstautoren der im Juni 2021 in Nature Biotechnology veröffentlichten Studie und Leiter der Forschungsgruppe Spatial Proteomics am Max-Delbrück-Centrum für Molekulare Medizin der Helmholtz-Gemeinschaft in Berlin, sagte: „Auch Technik kann genutzt werden zur Charakterisierung anderer Tumorarten lässt sich in ähnlicher Weise anwenden.“ Ziel ist es, anhand archivierter Daten aus Biobanken neue Angriffspunkte für individuelle Krebstherapien aufzudecken und so gemeinsam mit dem Patienten maßgeschneiderte Therapien zu entwickeln – auch für Tumore waren zuvor therapieresistent.
Nicht nur Krebs lässt sich mit Hilfe von Deep Visual Proteomics besser verstehen. Die Methodik kann auf andere Krankheiten angewendet werden. „Man kann zum Beispiel Proteine von Nervenzellen analysieren, um genau herauszufinden, was bei neurodegenerativen Erkrankungen wie Alzheimer oder Parkinson in der Zelle passiert“, sagt Kosha. „Durch die Kombination von Mikroskopie, künstlicher Intelligenz und hochempfindlicher massenbasierter spektrometrischer Proteomik haben wir eine sehr leistungsfähige Methode zum Verständnis der molekularen Kette gesunder und kranker Zellen entwickelt, die Ärzten helfen kann, Ziele für zukünftige Medikamente und Diagnosen zu identifizieren“, erklärt Matthias Mann.
Add Comment