Mappatura delle proteine per tutti
Grazie alla Deep Visual Proteomics (DVP) è possibile analizzare le proteine nei tessuti con risoluzione spaziale e comprendere meglio i processi patologici
Annunci
Oggi i satelliti riproducono i paesaggi con un livello di dettaglio che 20 anni fa era ancora irraggiungibile: rilevano singoli alberi, crepe negli edifici e persino i particolari dei segnali stradali. Nella ricerca proteomica, un metodo denominato Deep Visual Proteomics (DVP) aiuta gli scienziati a ottenere risultati simili a livello cellulare e molecolare: grazie a questo metodo, è possibile determinare la quantità di proteine nelle singole cellule e, allo stesso tempo, individuare la loro posizione all’interno del tessuto.
Il team del dott. Fabian Coscia, responsabile del gruppo di lavoro «Spatial Proteomics» presso il Max Delbrück Center, ha ora sviluppato il primo strumento open source per un flusso di lavoro olistico: «openDVP» ha lo scopo di semplificare l’applicazione di questa tecnologia – ulteriormente ottimizzata – e di renderla accessibile a un gruppo più ampio di utenti. I ricercatori presentano la loro nuova pipeline sulla rivista specializzata «Nature Methods».
Il gruppo di lavoro di Coscia ha contribuito allo sviluppo di DVP; il metodo è stato pubblicato per la prima volta nel 2022. Grazie alla sua innovatività concettuale e alla già comprovata rilevanza traslazionale, «Nature Methods» ha insignito la procedura «Spatial Proteomics», di cui fa parte il DVP, del titolo di «Metodo dell’anno 2024», spiega Coscia, autore ultimo della pubblicazione attuale.
«Siamo molto lieti che il metodo abbia subito un forte sviluppo negli ultimi anni, grazie agli sforzi congiunti di diversi gruppi di ricerca internazionali», afferma Coscia. «Ci siamo però resi conto che, per compiere ulteriori progressi e garantire un ampio utilizzo e un’ampia accettazione nella comunità scientifica, sono necessari strumenti open source. Abbiamo sviluppato openDVP proprio per colmare questa lacuna fondamentale».
Il DVP combina imaging ad alta risoluzione, intelligenza artificiale e spettrometria di massa per creare mappe di migliaia di proteine all’interno delle cellule di un tessuto. La possibilità di catalogare e visualizzare le proteine in modo così dettagliato aiuta i ricercatori ad approfondire la comprensione dell’insorgenza delle malattie e, su questa base, a sviluppare terapie migliori. Il metodo non è limitato a determinate patologie, ma può essere applicato a campioni biologici di qualsiasi tipo.
Maggiore applicabilità del metodo
Con openDVP, il team guidato da Coscia ha ottimizzato il processo di analisi delle immagini e sviluppato un flusso di lavoro accelerato. Ciò consente ai ricercatori di contrassegnare e misurare rapidamente singole cellule o sezioni di tessuto particolarmente interessanti. Non sono necessarie competenze specifiche nell’analisi delle immagini assistita dal computer. Inoltre, il gruppo ha introdotto una nuova strategia per il prelievo dei tessuti, che definisce «DVP guidata dal vicinato cellulare» (in breve cnDVP, dall’inglese «cellular neighborhood-guided DVP»). Questa strategia guida il prelievo di tessuto sulla base di gruppi cellulari funzionali ricorrenti. Si tratta di aggregati di diverse cellule specializzate che svolgono insieme una determinata funzione nell’organismo. «Il cnDVP accelera il prelievo dei campioni di circa 100 volte», afferma Jose Nimo, primo autore della pubblicazione. «Il nostro intero flusso di lavoro openDVP riduce notevolmente le barriere all’ingresso per una comunità DVP in crescita».
Per dimostrare le potenzialità della tecnologia, i ricercatori hanno analizzato e caratterizzato i proteomi a risoluzione spaziale di cellule presenti in tre diversi campioni di tessuto: una placenta, un adenocarcinoma polmonare e un tumore al seno. «Abbiamo selezionato questi campioni per dimostrare la versatilità del nostro metodo. Grazie a essi possiamo illustrare come questa tecnica possa fornire informazioni uniche sulla funzione delle proteine in diversi ambienti cellulari, finora in gran parte inesplorati», afferma Coscia.
L’analisi del tessuto placentare ha rivelato dettagli della comunicazione cellulare che sarebbero stati difficili da decifrare con altre tecnologie. Nel campione di tumore polmonare, openDVP ha individuato diversi bersagli farmacologici per i quali esistono già terapie approvate. Inoltre, la procedura ha identificato il trasportatore del glucosio GLUT1, che aiuta le cellule tumorali metastatiche ad assorbire il glucosio. «I pazienti con tumori che presentano livelli elevati di questa proteina mostrano tassi di sopravvivenza nettamente inferiori – il che ne evidenzia la rilevanza clinica», spiega Nimo. Nel caso del cancro al seno, la tecnologia ha rivelato vie di segnalazione infiammatorie aumentate e potenzialmente trattabili con farmaci, associate alla resistenza alla chemioterapia.
Numerose applicazioni cliniche
In futuro, il metodo openDVP potrebbe supportare gli studi clinici, aiutando ad esempio i ricercatori a comprendere meglio i meccanismi d’azione dei farmaci – o anche i processi biologici che portano i tumori a non rispondere più a un trattamento, afferma Nimo. Inoltre, potrebbe contribuire a identificare modelli molecolari associati alla risposta o alla mancata risposta ai farmaci. Ciò fornirebbe a sua volta preziose informazioni per sviluppare terapie e strumenti diagnostici migliori.
Per rendere la tecnica ancora più utilizzabile in ambito clinico, il team sta già pianificando di integrare dei «modelli di base» istologici – grandi reti neurali di intelligenza artificiale addestrate sulla base di dati istopatologici. «In questo modo saremo in grado di condurre studi di proteomica spaziale su larga scala su molte malattie diverse», afferma Nimo. «openDVP è un fantastico pioniere tecnologico per questi importanti passi successivi», aggiunge Coscia. «Ora possiamo approfondire questioni che solo pochi anni fa erano del tutto impensabili.»
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Tedesco può essere trovato qui.
Pubblicazione originale
Altre notizie dal dipartimento scienza
