Spatial proteomics: eiwitten in kaart brengen, cel voor cel
Stel je voor dat je wilt weten wat er allemaal gebeurt in een drukke stad. Je zou alle inwoners kunnen interviewen en hun antwoorden op één grote hoop gooien: dan weet je wél wat er leeft onder de bevolking, maar niet wie waar woont, wie buren van elkaar zijn of welke wijk welk probleem heeft. Klassieke proteomics — de studie van eiwitten, de moleculen die vrijwel alle taken in onze cellen uitvoeren — werkte lange tijd op die manier. Weefsel werd fijngemalen tot een soort smoothie en vervolgens geanalyseerd. Je kreeg een lijst van aanwezige eiwitten, maar de locatie ging verloren.
Spatial proteomics (ruimtelijke eiwitanalyse) lost dat op. Het meet welke eiwitten aanwezig zijn in een stukje weefsel, zonder het weefsel te vermalen, zodat de locatie van elke cel bewaard blijft. Het resultaat is een soort gedetailleerde plattegrond van de stad: je ziet niet alleen wélke inwoners er zijn, maar ook in welke straat ze wonen en wie hun buren zijn. Voor biologen is dat cruciaal, want cellen gedragen zich anders afhankelijk van wie er naast ze zit — een afweercel naast een tumorcel doet iets anders dan diezelfde afweercel elders in het lichaam.
Wat is het precies?
Spatial proteomics is geen enkele techniek maar een verzameling methoden met hetzelfde doel: eiwitten meten mét behoud van hun positie in het weefsel. De meest gebruikte aanpak werkt in grote lijnen zo:
Eerst wordt een dun plakje weefsel (bijvoorbeeld een tumorbiopt) op een glaasje bevestigd. Vervolgens worden antilichamen toegevoegd: eiwitten die zeer specifiek aan één bepaald doeleiwit binden, zoals een sleutel die op één slot past. Elk antilichaam is gelabeld met een herkenbaar merkteken — een fluorescerende kleurstof, een metaalisotoop, of een stukje DNA dat als barcode dient.
Het probleem is dat je met gewone microscopen maar een handvol kleuren tegelijk kunt onderscheiden, terwijl onderzoekers vaak tientallen tot honderd-plus eiwitten tegelijk willen meten. Twee oplossingen zijn gangbaar. Bij cyclische methoden (zoals CODEX/PhenoCycler) wordt het weefsel meerdere rondes na elkaar gekleurd, gefotografeerd en weer schoongemaakt, telkens met een nieuwe set antilichamen. Bij massaspectrometrische methoden (zoals Imaging Mass Cytometry en MIBI) worden metaalisotopen gebruikt die, in tegenstelling tot fluorescerende kleuren, elkaar niet overlappen — daardoor kunnen tientallen merktekens in één keer worden uitgelezen met een laser die het weefsel puntje voor puntje aftast.
Na het meten volgt computeranalyse: software herkent de contouren van individuele cellen (celsegmentatie) en koppelt aan elke cel welke eiwitten daarin aanwezig waren, mét de exacte x- en y-coördinaten. Het eindresultaat is een digitale kaart waarop elke cel een 'adres' en een eiwitprofiel heeft.
Wat wil men ermee bereiken?
Het achterliggende idee is dat weefsel meer is dan de som van losse cellen. Een tumor bijvoorbeeld bestaat niet alleen uit kankercellen, maar ook uit bloedvaten, bindweefsel en afweercellen die met elkaar communiceren. Of een immuuntherapie aanslaat, hangt vaak af van hoe die afweercellen ten opzichte van de tumor gepositioneerd zijn — zitten ze er middenin, of juist buitengesloten aan de rand? Die informatie is onmogelijk te achterhalen zodra het weefsel is vermalen.
Een tweede motivatie is dat eiwitten dichter bij de daadwerkelijke celfunctie staan dan RNA. Veel spatial-onderzoek de afgelopen jaren richtte zich op RNA (spatial transcriptomics), omdat RNA makkelijker te vermenigvuldigen en te meten is. Maar de hoeveelheid RNA van een gen voorspelt niet altijd hoeveel van het bijbehorende eiwit er daadwerkelijk actief is — cellen reguleren dat proces. Spatial proteomics geeft daarom vaak een functioneler beeld.
Ten slotte is er een grotere ambitie: het opbouwen van complete referentiekaarten van gezond en ziek menselijk weefsel, cel voor cel, als naslagwerk voor de rest van de biomedische wetenschap — vergelijkbaar met wat het Humaan Genoom Project deed voor DNA.
Voorbeelden uit de praktijk
Een aantal invloedrijke studies laat zien wat de techniek oplevert. Het lab van Garry Nolan aan Stanford University publiceerde in 2018 in het tijdschrift Cell de basis van CODEX (Co-Detection by Indexing), waarbij DNA-barcodes op antilichamen cyclisch werden uitgelezen om tientallen eiwitten tegelijk in muizenweefsel te meten. Deze technologie werd later commercieel doorontwikkeld door het bedrijf Akoya Biosciences onder de naam PhenoCycler.
Ook in 2018 verscheen een veelbesproken studie waarin Multiplexed Ion Beam Imaging (MIBI) — een op metaalisotopen gebaseerde techniek uit het lab van Michael Angelo — werd gebruikt om de immuunomgeving van triple-negatieve borstkanker in kaart te brengen. De ruimtelijke rangschikking van afweercellen bleek samen te hangen met patiëntuitkomsten.
Het lab van Bernd Bodenmiller (Universiteit Zürich) publiceerde in 2020 in Nature een grootschalige Imaging Mass Cytometry-studie naar de celkundige diversiteit binnen borstkankerweefsel van honderden patiënten, wat bijdroeg aan een fijnmaziger classificatiesysteem voor de ziekte.
Op infrastructuurniveau gebruikt het Amerikaanse Human BioMolecular Atlas Program (HuBMAP), gestart in 2018 met financiering van de National Institutes of Health (NIH), spatial-proteomicsmethoden zoals CODEX om een referentiekaart van gezond menselijk weefsel op te bouwen. Een vergelijkbaar initiatief gericht op kanker, het Human Tumor Atlas Network (HTAN) van het Amerikaanse National Cancer Institute, past soortgelijke technieken toe op tumorweefsel.
Hoe ver is de techniek?
Spatial proteomics is inmiddels een gevestigde onderzoeksmethode in laboratoria wereldwijd, maar staat qua schaal nog altijd achter bij single-cell RNA-sequencing. Waar RNA-technieken dankzij vermenigvuldigingstrucs (PCR) inmiddels duizenden genen tegelijk kunnen meten, blijven de meeste eiwitplatforms beperkt tot pakweg 40 tot 100 eiwitten per weefselsectie. Eiwitten kunnen namelijk niet worden vermenigvuldigd zoals DNA of RNA, dus is elke extra meting afhankelijk van een extra, specifiek antilichaam — en niet voor elk eiwit bestaat een goed gevalideerd antilichaam.
Een andere ontwikkelrichting probeert antilichamen helemaal te omzeilen door eiwitten direct met massaspectrometrie te identificeren, zonder voorafgaande labeling. Het lab van Matthias Mann (Max Planck Institute of Biochemistry, Duitsland) werkt bijvoorbeeld aan 'deep visual proteomics', waarbij microscopie wordt gecombineerd met zeer gevoelige massaspectrometrie om specifieke, met het blote oog geselecteerde celtypes te analyseren. Dit soort methoden is veelbelovend maar nog minder toegankelijk en minder wijdverspreid dan de antilichaam-gebaseerde technieken.
Belangrijke knelpunten blijven: de hoge kosten van apparatuur en reagentia, de tijdrovende data-analyse (celsegmentatie is foutgevoelig, zeker in dicht opeengepakt weefsel), en het gebrek aan gestandaardiseerde protocollen tussen laboratoria, waardoor resultaten van verschillende platforms lastig te vergelijken zijn. Toch groeit het aantal publicaties en toepassingen jaarlijks, en verschuift de techniek langzaam van gespecialiseerde onderzoekscentra naar bredere klinische en farmaceutische toepassing, bijvoorbeeld bij het voorspellen van respons op immuuntherapie.
Wie werken eraan?
Op het commerciële vlak zijn Akoya Biosciences (CODEX/PhenoCycler) en Standard BioTools — voorheen Fluidigm — (Imaging Mass Cytometry, merknaam Hyperion) twee van de bekendste aanbieders van antilichaam-gebaseerde platforms, beide met wortels in de Verenigde Staten. 10x Genomics, vooral bekend van spatial-transcriptomicsplatform Xenium, breidt zijn aanbod steeds verder uit met eiwitpanelen. Op het gebied van massaspectrometrie-apparatuur is het Duitse Bruker een belangrijke speler.
Academisch zijn de al genoemde groepen toonaangevend: Garry Nolan en Michael Angelo (beiden Stanford University, VS), Bernd Bodenmiller (Universiteit Zürich, Zwitserland) en Matthias Mann (Max Planck Institute of Biochemistry, Duitsland). Daarnaast dragen grote, publiek gefinancierde consortia bij aan standaardisatie en dataverzameling: het Human Cell Atlas-initiatief (internationaal, opgericht in 2016), HuBMAP (VS, gefinancierd door de NIH) en de Human Tumor Atlas Network (VS, gefinancierd door het National Cancer Institute). Ook in Europa en Azië groeit het aantal onderzoeksgroepen dat spatial-proteomicsmethoden toepast, vaak in combinatie met spatial transcriptomics binnen bredere 'multi-omics'-projecten.