Spatial Deconvolution of Gene Expression in Cancer

QC 2022-02-22

Abstract

Cancer är världens näst vanligaste dödsorsak med nästan 10 miljoner dödsoffer under 2020. Ett av de största problemen med att behandla cancer är den höga graden av heterogenitet som finns inom mikromiljön av tumören. Tumörens mikromiljö består av flera olika celler som är avgörande för tumörens utveckling. Att veta identiteten på cellerna samt hur de interagerar är vitalt för att upptäcka de underliggande mekanismerna av cancerutveckling. Att fundamentalt förstå mekanismerna och utvecklingen av cancer ligger till grund för att vi ska kunna utveckla nya behandlingar i framtiden. För att kunna studera tumörens mikromiljö så krävs det metoder som både tillhandahåller omfattande information kring cellernas profil samt hur de är distribuerade jämtemot varandra för att förstå hur de interagerar. Med singel-cell RNA-sekvensering (scRNA-seq) så har man fått en omfattande bild av tumörers cellulära uppbyggnad men för att kunna utföra det krävs det att man dissocierar cellerna, vilket i sin tur gör att den spatiala informationen går förlorad. Det finns flera metoder som tillåter spatialt upplöst transkriptomik i vävnader men en som tillhandahåller opartisk analys av hela transkriptomet är en metod som blev döpt till Spatial Transcriptomics (ST). Även om metoden bevarar den spatiala koordinaten av genuttrycket så är upplösningen för låg för att kunna urskilja enskilda celler. Arean som fångar upp mRNAt är 100 µm, vilket fångar omkring 3–30 celler. Detta innebär att varje datapunkt innehåller genuttryck från flera celler vilket försvårar möjligheten att identifiera cellerna. För att förstå cellernas interaktioner och fundamentalt utforska tumörers mikromiljö så krävs det att metoden utvecklas. 

I Artikel I var vårt mål att föra ST närmare singel-cell analys genom att ändra den array som används för metoden. Den nya designen medförde en ökning av antalet areor där mRNAt kan fångas från 1007st till över 1,4 millioner och med en över 4000 gånger förbättrad upplösning. Vi kunde med denna array få spatialt upplöst genuttryck från vävnader av mushjärna och brösttumör med en upplösning på 2 µm. Trots en låg verkningsgrad på omkring 1,3% så lyckades vi identifiera skilda genuttryck som var specifika för vissa morfologiska regioner, specifika celltyper samt utforska egenskaper på en subcellulär nivå. Artikel II fokuserar på den information som kan fås genom histologiska bilder vilka är lättillgängliga. Genom att integrera det spatiala genuttrycket från 23 patienter med de tillhörande histologiska bilderna genom djup maskininlärning så kunde vi förutspå genuttrycket på andra prover endast baserat på deras histologiska bilder. Detta validerades på externa prover för att säkerhetsställa att de var applicerbart på kliniska prover. I Artikel III så utforskade vi biologin av HER2-positiva brösttumörer genom att kombinera scRNA-seq data med data från åtta olika HER2-positiva patienter genererat via ST. Med att kombinera de två så kunde vi utforska interaktioner mellan celler i tumören och fann tertiära lymfoid (TL)-liknande strukturer. Det har visats att dessa TL-strukturer är till viss del en förutsägande faktor när det gäller behandling. I och med detta så tog vi fram en modell för att hitta dessa TL-liknande strukturer i data från andra vävnader samt data genererat från en annan plattform. Detta validerades på externa prover från bröstcancer, reumatoid artrit och malignt melanom. Slutligen i Artikel IV så var vårt mål att förbättra reproducerbarheten samt robustheten av metoden genom att tillämpa den på en automatisk plattform. För att säkerhetsställa prestandan av det automatiserade protokollet så jämförde vi identiska prover förberedda både manuellt och automatiserat. Från detta fick vi höga korrelationskoefficienter på 0,995 och 0,990. Genom att anpassa protokollet på den plattform som heter ”Bravo Liquid Handling Platform” så lyckades vi öka robustheten och effektiviteten av metoden samt reducera den praktiska tiden i laboratoriet med över 80%.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-309185