spora: un dataset multimodale unificato e una piattaforma per la proteomica spaziale

Abstract degli autori

La proteomica spaziale (SP) rileva la composizione molecolare e l’organizzazione spaziale dei tessuti a risoluzione di singola cellula, offrendo una visione diretta degli ecosistemi cellulari che determinano le malattie. I pannelli proteici, le piattaforme di acquisizione e i contesti tissutali variano da una coorte all’altra, e un quadro coerente della biologia dei tessuti può emergere solo da modelli addestrati a colmare questa eterogeneità. I modelli fondazionali rappresentano la via naturale da seguire, ma il loro addestramento dipende da grandi raccolte di dati armonizzate che coprano piattaforme, pannelli e coorti. Attualmente nessuna risorsa pubblica si avvicina a questa scala; i dati disponibili sono distribuiti in raccolte di piccole dimensioni e di ambito ristretto, con formati e convenzioni incompatibili. Presentiamo $\texttt{spora}$, un dataset multimodale SP su larga scala composto da 13.546 immagini multiplex standardizzate, provenienti da 5.477 pazienti e 35 coorti, e basate su cinque principali tecnologie SP. Curato con l’aiuto di esperti biomedici, $\texttt{spora}$ offre formati pronti per l’addestramento dei modelli, insieme a segmentazioni di cellule e tessuti, metadati clinici strutturati e, ove disponibili, immagini H&E abbinate, che consentono di addestrare modelli di colorazione virtuale. Il dataset è affiancato da $\texttt{spora [io]}$, un’interfaccia unificata per la suddivisione in tile, il campionamento e la standardizzazione di tutte le coorti e modalità, e da $\texttt{spora [bench]}$, una suite di benchmark che copre attività di fenotipizzazione cellulare, previsione diagnostica e terapeutica e colorazione virtuale in 12 coorti, e mette gli attuali modelli fondazionali SP su un piano comune rispetto ai modelli di riferimento specifici per ciascuna attività.