The Pulse
SPACER di MD Anderson mappa ciò che attira i linfociti T nei tumori
Un nuovo modello di IA chiamato SPACER analizza mappe dei tessuti per individuare i segnali associati al richiamo e all’esclusione delle cellule immunitarie. Lo studio collega le mucine tumorali a un minore coinvolgimento dei linfociti T e
AI.info Team · Scritto con l’IA ·
La trascrittomica spaziale può mostrare dove si trovano le cellule immunitarie in un tumore, ma capire perché si concentrino in una regione e ne evitino un’altra è più difficile. Un nuovo modello di IA, SPACER, affronta il problema ricavando dalle mappe dei tessuti segnali a livello dei geni legati al richiamo delle cellule. Lo studio, pubblicato il 13 ottobre su Nature Biomedical Engineering, riporta un legame tra la presentazione locale degli antigeni e il coinvolgimento dei linfociti T, e un altro tra le mucine tumorali e un ridotto accesso dei linfociti T.
Dalla posizione delle cellule ai segnali di richiamo
Gli strumenti computazionali esistenti «descrivono dove si trovano le cellule, ma non possono spiegare perché», scrivono gli autori. SPACER, abbreviazione di Spatial Analysis of Cellular Engagement and Recruitment, analizza dati di trascrittomica spaziale: misurazioni dell’attività dei geni che conservano informazioni su dove essa si verifica nel tessuto intatto. Il suo sistema di apprendimento a istanze multiple esamina le configurazioni locali dei tessuti per dedurre quali geni siano associati all’incontro o all’evitamento reciproco tra cellule.
I ricercatori hanno applicato il modello a 37 dataset relativi a diversi tipi di tumori umani e al tessuto cardiaco di topo. In diversi test di benchmark, SPACER ha ottenuto risultati da 4 a 21 volte migliori rispetto ai metodi esistenti nell’individuare segnali di richiamo biologicamente significativi. Questi valori descrivono le prestazioni in compiti diversi, non un’unica misura dell’accuratezza diagnostica.
«Gli strumenti computazionali esistenti per la trascrittomica spaziale (SRT) descrivono dove si trovano le cellule, ma non possono spiegare perché.»
Jia Yao et al., Nature Biomedical Engineering
La presentazione locale degli antigeni attirava i linfociti T
In diversi tipi di cancro, il modello ha individuato nella presentazione locale degli antigeni il fattore più fortemente correlato al coinvolgimento dei linfociti T. In questo processo, le cellule espongono frammenti di proteine che le cellule immunitarie possono esaminare. Il risultato indica che i segnali presenti nelle immediate vicinanze di un tumore sono un fattore importante nel determinare se i linfociti T interagiscano con le cellule tumorali.
SPACER ha inoltre segnalato le mucine, grandi proteine rivestite di zuccheri prodotte da molti tumori, come possibili ostacoli al coinvolgimento dei linfociti T. Nei dataset sul melanoma e sul cancro gastrico, livelli più elevati di mucine tumorali erano associati a risposte peggiori agli inibitori dei checkpoint immunitari e a esiti peggiori per i pazienti. Lo studio individua un’associazione; non dimostra che le mucine, da sole, blocchino fisicamente i linfociti T o che ridurle migliorerebbe la risposta al trattamento.
Lo stesso modello ha esaminato l’infiammazione cardiaca
I ricercatori hanno applicato SPACER anche a dati preclinici sulla miocardite correlata all’immunoterapia, un’infiammazione del cuore che può verificarsi durante il trattamento del cancro. L’analisi ha individuato segnali legati al richiamo dei linfociti T nel tessuto cardiaco e ha indicato i linfociti T CD4-positivi come principali effettori funzionali nei casi gravi. Questo risultato estende l’uso del modello oltre i tumori, ma deriva da dati preclinici, non da una valutazione di SPACER come strumento diagnostico clinico.
Che cosa mostrano i risultati, e che cosa no
La tesi centrale di SPACER è che i dati spaziali sull’espressione genica possono aiutare i ricercatori a formulare spiegazioni della posizione delle cellule, non soltanto a mapparla. I risultati suggeriscono possibili bersagli per ulteriori studi, tra cui le mucine e la presentazione locale degli antigeni, mentre i risultati dei benchmark misurano la capacità di individuare i segnali, non un miglioramento degli esiti per i pazienti. Lo studio non verifica alcun trattamento progettato sulla base delle previsioni del modello.
La distinzione è importante: le associazioni rilevate nei dataset dei tessuti possono orientare gli esperimenti, ma non dimostrano che modificare un segnale candidato indurrà le cellule immunitarie a entrare in un tumore o aiuterà un paziente a rispondere alla terapia. Gli autori presentano SPACER come uno strumento di ricerca per studiare le regole che governano il richiamo delle cellule; resta da verificare se le sue previsioni possano guidare le decisioni cliniche.