Abstract 6245: Verpasste Gelegenheit auf subzellulärer Ebene: Verbesserung des Nutzens der zellulären Bildgebungsmodalität in der räumlichen Transkriptomprofilierung von Tumorgeweben

Abstract Mini-Bulk- oder Einzelpunkt-räumliche Transkriptomtechnologien, wie GeoMX Digital Spatial Profiler (DSP), haben unsere Fähigkeit revolutioniert, räumliche Heterogenität zu untersuchen und Transkripte auf subzellulärer Ebene zu analysieren. In der Krebsforschung ist dieses Granularitätsniveau entscheidend, um die unterschiedlichen Genexpressionssignaturen innerhalb spezifischer Kompartimente oder interessierender Strukturen wie Tumoren, Immun-, Stroma- und tertiären lymphoiden Strukturen aufzudecken. Allerdings wurde in den meisten GeoMX DSP-Studien die aus multiplexen Immunfluoreszenz-Bildgebungen erhaltene räumliche Information vorwiegend zur Identifizierung der Regionen von Interesse (ROI) verwendet, statt als integraler Bestandteil der nachgelagerten transkriptomischen Dateninterpretation zu dienen. Um diese verpasste Gelegenheit zu beheben, haben wir ein analytisches Framework auf Machine-Learning-Basis entwickelt, das den reichen räumlichen Kontext der in situ Bildgebungsmodalität vollständig nutzt. Das Framework verfügt über zwei Hauptfunktionen. (1) Zuschneiden der ROI und Zellsegmentierung: Unser Framework ermöglicht die automatisierte Zuschneidung von ROI-Bildern, gefolgt von einem Zellsegmentierungsprozess unter Einsatz eines farboptimierten Deep-Learning-Modells, das anhand von TissueNet vortrainiert wurde. (2) Zelltypisierung und integrative räumliche Analyse: Die Pipeline extrahiert zelluläre morphologische Merkmale (z. B. Zellgröße und Rundheit) sowie KI-getriebene Charakteristika. Diese Merkmale werden anschließend für die Zelltypisierung und Quantifizierung von Zellmischungen verwendet. Das Framework ist ausgestattet, um eine Reihe fortgeschrittener räumlicher Analysen durchzuführen, wie beispielsweise die Berechnung räumlicher Metriken und Konsensus-Cluster-Analysen mit den zugehörigen Genexpressionsdaten. Zur Validierung des Frameworks führten wir GeoMX DSP-Analysen an Proben aus Blasenkarzinomen und oberen Harntrakt-Urothelkarzinomen durch, die 56 von Pathologen annotierte ROI umfassen. Unsere Ergebnisse zeigten eine hohe Genauigkeit, wobei die berechneten Tumor-Immun-Anteile präzise mit den Originalannotationen übereinstimmten. Wir verglichen ferner die Ergebnisse der Zell-Deconvolution unseres Frameworks mit denen von SpatialDecon. Die Konsistenz war bei beiden Methoden gegeben, mit einer hohen Korrelation von bis zu 0,90. Allerdings beobachteten wir, dass SpatialDecon dazu neigt, die Tumorreinheit in Tumorkernregionen zu unterschätzen, mit Diskrepanzen von bis zu 0,30, und die Tumorreinheit in Stromaregionen zu überschätzen. Zudem zeigte die Analyse der ROI an Tumorrändern, dass SpatialDecon die Gesamtanteile der Immunzellen konsequent überschätzt. Zusammenfassend unterstreichen unsere Ergebnisse die Bedeutung der Integration von in situ Bildgebung mit subzellulärer räumlicher Transkriptomik für eine genauere und verlässlichere Analyse von Tumorgeweben. Unser Ansatz liefert wichtige Einblicke in das Tumormikroumfeld und zelluläre Interaktionen, mit bedeutenden Implikationen für Forschung und klinische Anwendungen in der Onkologie. Citation Format: Xiaofei Song, Xiaoqing Yu, Carlos M. Moran-Segura, G Daniel Grass, Roger Li, Xuefeng Wang. Missed opportunity at the subcellular level: Enhancing the utility of cellular imaging modality in spatial transcriptomic profiling of tumor tissues abstract. In: Proceedings of the American Association for Cancer Research Annual Meeting 2024; Part 1 (Regular Abstracts) ; 2024 Apr 5-10; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2024;84 (6Suppl): Abstract nr 6245.