AI-system används redan inom många områden av den biomedicinska vetenskapen för att lösa problem med proteinstrukturer, upptäcka dolda mönster i arvsmassan och bearbeta stora mängder biologiska data. Nu kan en AI-assisterad teknik som utvecklats vid Weizmann Institute of Science och som publicerats i Nature Biotechnology ge forskare och läkare en helt ny möjlighet att kika djupt in i kroppens vävnader genom att göra det möjligt att samtidigt se fler proteiner än någonsin tidigare i ett vävnadsprov.
”För att förstå hur en viss vävnad fungerar är det viktigt att mäta många av dess proteiner samtidigt”, säger Dr. Leeat Keren från Weizmanns avdelning för molekylär cellbiologi, som ledde forskargruppen. ”Detta ger oss en uppfattning om vilka celler som finns i vävnaden och hur de kommunicerar och interagerar med varandra.”
Keren förklarar att denna kunskap är avgörande för att kunna studera sjukdomsprocesser. En cancertumör innehåller till exempel, förutom tumörceller, flera andra celltyper, bland annat friska celler från den vävnad som tumören växer på och från immunsystemet. Tumörens cellulära sammansättning och hur dessa celltyper interagerar med varandra kan avgöra hur effektiva olika behandlingar är eller användas för att förutsäga vilka patienter som har en bättre prognos och vilka som sannolikt kommer att utveckla metastaser. Sådana upptäckter kan i sin tur leda till förbättrade individanpassade behandlingar.
Den nya tekniken från Weizmann Institute, som kallas CombPlex, innebär ett stort steg framåt när det gäller att studera vävnaders cellulära sammansättning. Till skillnad från konventionella metoder som bara samlar in data från tre eller fyra proteiner åt gången har CombPlex, i sitt proof-of-concept-stadium, redan visat sig kunna avbilda och kvantifiera nästan två dussin proteiner i enskilda celler samtidigt, med potential att skala upp denna förmåga till hundratals proteiner i framtiden. Tekniken kräver inga ytterligare instrument, vilket gör den mycket lättillgänglig.
På jakt efter ett foto med ett ögonblick
Begränsningarna i de traditionella metoderna beror på ljusets optik. De fluorescerande prober som används för att märka proteiner har gjort enorma framsteg inom proteinforskningen under de senaste decennierna, men när flera proteiner i samma vävnadsprov märks med olikfärgade prober kan de cellofanliknande färgerna överlappa varandra och förvirra mikroskopbilden.
Ett sätt att komma runt detta är att upprepa avbildningen flera gånger, varje gång tvätta bort de befintliga taggarna och placera nya. Men den här metoden, som kallas cyklisk fluorescens, är tidskrävande och gör det möjligt att i slutändan bara avbilda några dussin proteiner – av de otaliga proteinversioner som kan produceras av de cirka 20.000 proteinkodande generna i det mänskliga genomet.
”Vi ville utveckla en avbildningsmetod som kunde fånga fler av dem samtidigt, så att vi så småningom kunde avbilda dem alla”, säger Keren.
Hon använder en bildmetafor för att beskriva kärnan i sitt uppdrag. ”Tänk dig att du vill ta en ögonblicksbild av ett rum men att du är begränsad till att fotografera tre eller fyra objekt åt gången, till exempel bara bord, stolar och TV-skärmar till att börja med. När du sedan kommer till fönster, mattor och stående lampor har du tagit dussintals bilder och måste sedan sätta ihop dem för att få en ungefärlig bild av rummet.” Kerens mål är att göra det möjligt att fotografera hela rummet, med alla föremål som det innehåller, i en enda bild.
Avläsning av överlappande proteiner
Keren och hennes team bestämde sig för att använda sig av en så kallad kombinatorisk metod: att märka varje protein genom att fästa flera fluorescerande taggar på det, så att varje molekyl identifieras av en unik kombination av fluorescerande taggar som skapar en slags streckkod.
Fördelen med kombinationer, eller streckkoder, är att de kan öka antalet molekyler som märks med ett litet antal färger avsevärt. Om man t.ex. vill avbilda sju olika molekyler kan de märkas med endast tre färger, eftersom dessa tre färger kan finnas i många olika kombinationer.
Med fler taggar ökar antalet potentiella kombinationer exponentiellt, vilket öppnar upp för en större palett av möjligheter. Men om det är komplicerat att visa flera enskilda prober blir problemet ännu större när man ska visa flera streckkoder. När antalet streckkoder ökar börjar de snabbt överlappa varandra, vilket gör det omöjligt att skilja dem åt.
Keren och hennes team hade en idé om att AI skulle kunna lösa det till synes olösliga problemet med överlappande streckkoder. De antog att AI skulle kunna göra detta genom att lära sig uttrycksegenskaperna för olika proteiner från bilder av vävnader, eftersom vissa proteiner uttrycks av endast en typ av cell, medan andra uttrycks av olika celler; vissa uttrycks på cellytan och andra inuti cellen; vissa är allestädes närvarande, medan andra är sällsynta.
Otroligt nog visade sig deras föraning stämma. I samarbete med Dr. Shai Bagon vid Weizmann Center of Artificial Intelligence började Keren och hennes team av studenter – vars bakgrund sträckte sig från biokemi till bioinformatik och matematik – att utforma både en experimentell metod som kunde mäta flera proteiner samtidigt och en AI-algoritm som kunde skilja bilder som innehöll många proteinstreckkoder åt.
Teamet tränade ett djupt neuralt nätverk för att ta itu med utmaningen att bryta ner kombinatoriska bilder till enskilda proteinbilder. Nätverket tränades på simulerade data, som genererades genom att sammanföra ett stort antal fluorescerande bilder av enskilda proteiner som produceras i laboratorier över hela världen.
Resultatet är CombPlex, en AI-assisterad avbildningsmetod som noggrant mäter flera proteiner i ett vävnadsprov på nivån av enskilda celler. Den kan dekomprimera bilder som för en mänsklig betraktare ser ut som ett mardrömslikt fluorescerande virrvarr och sortera signalerna i bilder av enskilda proteiner.
Eftersom CombPlex är kompatibelt med konventionella fluorescerande mikroskop som ofta används inom forskning och på kliniker, är det lovande för att avsevärt underlätta studier av vävnader i biomedicinska och medicinska laboratorier. Förutom att ge en mer fullständig bild av vävnaden kan CombPlex på en dag eller två leverera proteinavbildningar som skulle ta veckor att få fram med konventionella metoder.
”Vi hoppas att CombPlex en dag kommer att ersätta vanliga patologimetoder eftersom det ger en mer heltäckande bild av vävnader och möjliggör mer exakta insikter för kliniskt beslutsfattande”, säger Keren.
I teorin gör CombPlex det möjligt för forskare att fånga upp till 2n-1 proteiner med hjälp av endast n taggar. Detta innebär att 3 taggar kan fånga 7 proteiner, 5 taggar 31 proteiner och 10 taggar 1 023 proteiner, även om utmaningar i verkligheten kan minska dessa siffror. I studien kunde Kerens team mäta 22 proteiner med hjälp av streckkoder som bestod av 5 olika taggar vardera.
Utvecklingen av CombPlex vägleddes och stöddes av Bina, Weizmanninstitutets enhet för translationell forskning som identifierar projekt i tidiga skeden med tillämpningspotential. ”När vi rådfrågade experter inom området var de alla mycket entusiastiska över den här tekniken”, säger Dr Sharon Fireman, chef för Bina.
För mer information: Raz Ben-Uri et al, High-dimensional imaging using combinatorial channel multiplexing and deep learning, Nature Biotechnology (2025). DOI: 10.1038/s41587-025-02585-0
