AI-model VirTues ontcijfert tumorweefsel op eiwitniveau, voorspelt behandelrespons

Onderzoekers hebben een kunstmatige-intelligentiemodel ontwikkeld dat microscopische foto's van tumorweefsel razendsnel kan ontcijferen, ongeacht in welk laboratorium de data zijn verzameld. Het model, VirTues genoemd, herkent automatisch welke eiwitten waar in het weefsel zitten en welke cellen daarbij horen. Bij borstkanker voorspelde het beter dan bestaande methodes of een behandeling zou aanslaan.

Eén taal voor versnipperde data

Laboratoria meten tegenwoordig tientallen tot honderden eiwitten tegelijk in een stukje weefsel, met technieken als multiplex-immunofluorescentie en beeldvormende massacytometrie. Zo brengen ze in kaart hoe tumorcellen, afweercellen en bindweefsel zich tot elkaar verhouden: de zogeheten tumormicro-omgeving. Die informatie is goud waard voor het begrijpen van kankergroei en het voorspellen van therapierespons.

Het probleem is dat elk onderzoeksteam zijn eigen set eiwitten, apparatuur en protocollen gebruikt. Daardoor zijn datasets onderling nauwelijks vergelijkbaar en moet elk computermodel telkens opnieuw worden getraind voor een nieuwe studie. Kennis die in het ene ziekenhuis is opgedaan, is vaak niet bruikbaar in het andere.

Een team van onderzoekers pakt dat probleem aan met VirTues, een zogeheten foundation model: één groot, vooraf getraind AI-systeem dat daarna voor uiteenlopende taken kan worden ingezet. VirTues combineert beeldinformatie met een eiwittaalmodel, dat elk gemeten eiwit herkent aan de onderliggende aminozuurvolgorde. Daardoor kan het model ook overweg met eiwitten die het nooit eerder heeft gezien, en werkt het dus over verschillende datasets en meettechnieken heen.

Van los eiwit tot compleet weefsel

Het model is getraind op vijftien datasets van beeldvormende massacytometrie, samen goed voor ruim 3.100 patiënten, 146 verschillende eiwitten en acht soorten organen. In een uitgebreidere test, met 32 datasets en vier meettechnieken, ging het om meer dan 5.100 patiënten en 239 eiwitten. VirTues bouwt vanuit die data een gelaagde weergave op: van los eiwit, via losse cellen en cel-'buurten' (niches), tot het complete stukje weefsel. Elke laag is te bevragen, te vergelijken en te herbouwen, vergelijkbaar met hoe taalmodellen woorden en zinnen leren begrijpen.

Die aanpak levert meteen praktisch nut op. Het model kan cellen automatisch segmenteren en typeren, dus bepalen welk celtype ergens zit, en het kan zelfs eiwitten 'virtueel aankleuren' die in een bepaalde meting helemaal niet zijn gemeten. Voor de fenotypering van weefsel scheelt dat veel handmatig werk.

Betere voorspelling bij borstkanker

De belangrijkste test kwam bij triple-negatieve borstkanker, een agressieve vorm van de ziekte. Op basis van de ruimtelijke eiwitpatronen die VirTues herkende, voorspelde het model beter dan bestaande biomarkers of patiënten zouden reageren op een combinatie van chemotherapie en immuuntherapie met een PD-L1-remmer. In een onafhankelijke groep patiënten voorspelde het model bovendien nauwkeuriger dan de huidige klinische classificatiesystemen hoe lang patiënten ziektevrij zouden blijven.

Volgens de onderzoekers is dat een teken dat dit soort AI-modellen complexe patronen kunnen vangen die verder gaan dan het tellen van losse celtypes: samenspel tussen tientallen celpopulaties tegelijk. Ze zien VirTues als een herbruikbare basislaag voor toekomstig kankeronderzoek, waarmee ziekenhuizen sneller tot klinisch bruikbare biomarkers kunnen komen.