MAPS: anotação de tipos celulares ao nível de patologistas a partir de imagens de tecidos através de aprendizado de máquina

A imagem de proteínas altamente multiplexadas está emergindo como uma técnica potente para analisar a distribuição de proteínas dentro de células e tecidos em seu contexto nativo. No entanto, os métodos de anotação celular existentes que utilizam dados de proteômica espacial de alta multiplexação são intensivos em recursos e necessitam de input iterativo de especialistas, limitando assim a escalabilidade e a praticidade para conjuntos de dados extensos. Apresentamos o MAPS (Machine learning for Analysis of Proteomics in Spatial biology), uma abordagem de aprendizado de máquina que facilita a identificação rápida e precisa de tipos celulares com precisão no nível humano a partir de dados de proteômica espacial. Validado em múltiplos conjuntos de dados MIBI e CODEX disponíveis publicamente e em nossa instituição, o MAPS supera as técnicas de anotação atuais em termos de velocidade e precisão, alcançando precisão ao nível de patologista mesmo para tipos celulares tipicamente desafiadores, incluindo células tumorais de origem imune. Ao democratizar a anotação de aprendizado de máquina rapidamente implantável e escalável, o MAPS possui um potencial significativo para acelerar os avanços na biologia dos tecidos e na compreensão das doenças.