Aprendendo a prever expressões de sequência de RNA de imagens de slides inteiras com aplicativos para pesquisa e classificação

Biologia das Comunicações volume 6, Número do artigo: 304 (2023) Citar este artigo

3463 acessos

14 Altmétrica

Detalhes das métricas

Os métodos de aprendizado profundo são amplamente aplicados na patologia digital para enfrentar desafios clínicos, como prognóstico e diagnóstico. Como uma das aplicações mais recentes, modelos profundos também têm sido usados ​​para extrair características moleculares de imagens inteiras de slides. Embora os testes moleculares carreguem informações ricas, eles geralmente são caros, demorados e requerem tecido adicional para amostra. Neste artigo, propomos o tRNAsformer, uma topologia baseada em atenção que pode aprender tanto a predizer o bulk RNA-seq de uma imagem quanto a representar a imagem inteira de uma lâmina de vidro simultaneamente. O tRNAsformer usa o aprendizado de múltiplas instâncias para resolver um problema fracamente supervisionado enquanto a anotação em nível de pixel não está disponível para uma imagem. Realizamos vários experimentos e obtivemos melhor desempenho e convergência mais rápida em comparação com os algoritmos de última geração. O tRNAsformer proposto pode servir como uma ferramenta computacional de patologia para facilitar uma nova geração de métodos de busca e classificação, combinando a morfologia do tecido e a impressão digital molecular das amostras de biópsia.

Os patologistas usam a histopatologia para diagnosticar e classificar o câncer após examinar uma amostra de biópsia. A introdução da patologia digital, os avanços na tecnologia de computação e a disponibilidade em expansão de conjuntos de dados massivos possibilitaram o treinamento de modelos de aprendizado profundo cada vez mais complexos para várias tarefas clínicas. As redes neurais convolucionais (CNNs) superaram todos os outros algoritmos tradicionais de visão computacional em uma ampla gama de aplicações clínicas, incluindo subtipagem1 de câncer, pesquisa e categorização2 de imagem de slide inteiro (WSI), detecção de mitose3 e classificação4, entre arquiteturas de aprendizado profundo.

No entanto, houve algumas tentativas de conectar as características morfológicas incorporadas nas imagens às assinaturas moleculares, recentemente5,6,7,8. Por exemplo, pesquisas recentes revelaram que modelos estatísticos podem vincular características histomorfológicas a mutações em órgãos, incluindo pulmão e próstata9,10. Mutações e modificações epigenômicas são conhecidas por causar grandes variações na expressão gênica. Portanto, a caracterização da expressão gênica pode ser vital para o diagnóstico e tratamento11. Embora tenham sido estabelecidas ferramentas de sequenciamento de transcriptoma inteiro mais acessíveis para o estudo de informações genéticas, elas ainda estão longe de serem amplamente utilizadas em centros médicos12. Por outro lado, a recuperação de características moleculares de WSIs corados com hematoxilina e eosina (H&E) é uma das opções mais rápidas e menos dispendiosas. A capacidade de prever a expressão gênica usando WSIs, seja como uma modalidade intermediária ou como um resultado, demonstrou auxiliar no diagnóstico e prognóstico5,8. Estudos anteriores chamaram a atenção para a predição da expressão gênica usando WSI; no entanto, o tamanho dos WSIs e a quantidade de dados bem anotados ainda impõem sérios desafios. Em particular, a seleção de amostras e a representação WSI é um tópico aberto que geralmente é tratado de forma arbitrária.

De acordo com o mais recente relatório de estatísticas globais de câncer, em 2020, houve cerca de 431.288 novos casos de câncer renal e 179.368 mortes globalmente13. O carcinoma de células renais (CCR) é o câncer renal mais comum, sendo responsável por 85% dos casos malignos14. De um único fenótipo maligno a um grupo heterogêneo de tumores, nosso conhecimento sobre o CCR evoluiu ao longo do tempo14. Entre todos os subtipos histológicos de CCR, ccRCC, pRCC e crRCC perfazem quase 75%, 16% e 7% de todos os casos de CCR, respectivamente14. Os subtipos de CCR diferem em sua histologia, características moleculares, resultados clínicos e capacidade de resposta terapêutica como resultado dessa heterogeneidade. Por exemplo, como a taxa de sobrevida em 5 anos difere entre os diferentes subtipos, o diagnóstico adequado do subtipo é crítico15. Todos os métodos deste trabalho são aplicados em lâminas RCC para identificar os subtipos usando busca e classificação.