EPFL veröffentlicht spora, den größten offenen Atlas für Bilder der räumlichen Proteomik

Warum die Anordnung im Gewebe wichtig ist

Laut EPFL kann die Anordnung der Zellen im Gewebe über eine Krankheit ebenso viel verraten wie die Zellen selbst. Wenn Ärzte einen Tumor untersuchen, wollen sie nicht nur wissen, welche Zellen vorhanden sind, sondern auch, wie sie angeordnet sind und wie sie miteinander interagieren. Wie Krebszellen mit benachbarten Immunzellen zusammenwirken, kann Hinweise darauf liefern, wie sich eine Erkrankung entwickelt oder auf eine Behandlung anspricht.

Die räumliche Proteomik erfasst diese Organisation, indem sie Dutzende Proteine misst und dabei deren Position erhält. Da Proteine mitbestimmen, was Zellen tun, vermitteln die Bilder ein Bild davon, wie gesundes und krankes Gewebe arbeitet.

Das Problem: Die entstehenden Datensätze lassen sich nur schwer zusammenführen. Labore weltweit nutzen unterschiedliche Geräte, untersuchen unterschiedliche Proteine und speichern ihre Ergebnisse auf unterschiedliche Weise. Sie zusammenzuführen ist aufwendig und zeitraubend. Das erschwert es, große Datenmengen in herkömmlichen Studien zu nutzen und KI-Modelle zu trainieren.

Was spora enthält

Ein Team um Charlotte Bunne und ihre Gruppe Artificial Intelligence in Molecular Medicine an der EPFL hat spora als Referenzatlas für räumliche Proteomik entwickelt. Veröffentlicht wurde er in Zusammenarbeit mit dem European Bioinformatics Institute (EMBL-EBI) des European Molecular Biology Laboratory.

• 13.546 Multiplex-Bilder von 5.477 Patienten
• 14 Gewebeherkünfte
• Fünf Bildgebungstechnologien
• Wo verfügbar, zugehörige histopathologische Bilder, die molekulare Messungen mit den Gewebebildern aus der pathologischen Routine verknüpfen

Der Aufbau dauerte zwei Jahre und beschäftigte Wissenschaftler und biomedizinische Fachleute der EPFL, des Universitätsspitals Zürich, der Universität Zürich, der Universitätsspitäler Genf und der Universität Genf. Sie mussten Tausende Bilder ordnen, Proteinannotationen vereinheitlichen, medizinische Informationen abgleichen und einzelne Zellen identifizieren, damit sich Daten aus verschiedenen Studien vergleichen lassen.

„Daten über mehrere Kohorten hinweg zu sammeln und zu harmonisieren, kostet enorm viel Zeit und ist eine große Hürde sowohl für die Entwicklung von KI im großen Maßstab als auch für biologische Entdeckungen“, sagt Benedikt von Querfurth, Doktorand an der EPFL und Erstautor der Studie. „Wir wollen Forschenden ermöglichen, mit gebrauchsfertigen Daten zu starten, damit sie sich auf die Modelle und die biologischen Fragestellungen konzentrieren können.“

Werkzeuge und Tests über Studien hinweg

Die Sammlung behält die Verweise auf die ursprünglichen Studien und deren Annotationen bei. Unterschiede bei den gemessenen Proteinen, den Aufnahmebedingungen und den verfügbaren klinischen Informationen bleiben sichtbar. Das hilft Forschenden zu entscheiden, welche Datensätze zu ihren Fragestellungen passen.

Über den Atlas hinaus bietet spora Werkzeuge, um auf die Daten zuzugreifen und sie auszuwerten, KI-Modelle zu entwickeln und zu bewerten, wie gut diese über verschiedene Studien hinweg funktionieren. Lukas Klein, Postdoc an der EPFL und am Universitätsspital Zürich, erklärt die Überlegung: „Das ist wichtig, weil ein Modell innerhalb einer Studie gut abschneiden kann und dennoch Schwierigkeiten bekommt, wenn sich Patienten, Labor oder Messtechnologie ändern.“ Gemeinsame Datensätze und Evaluierungsprotokolle machten es möglich, diese Unterschiede systematisch zu untersuchen, fügt er hinzu.

Spora wurde im Rahmen der National AI Initiative for Precision Oncology (NAIPO) entwickelt. Dazu gehören KI-Modelle, die über die Swiss AI Initiative mit umfangreichen Rechenressourcen trainiert wurden. Die Arbeit ist in einem Paper mit dem Titel „spora: A Unified Multimodal Dataset and Platform for Spatial Proteomics“ beschrieben, das für die NeurIPS 2026 vorgesehen ist.

Was das für Forschende und Patienten bedeutet

Für Forschungsgruppen liegt das Hauptversprechen in der Zeitersparnis: Sie können mit harmonisierten, gebrauchsfertigen Daten beginnen, statt monatelang Datensätze aufeinander abzustimmen. Spora konzentriert sich derzeit vor allem auf die Krebsforschung, doch das Team hofft, weitere Gewebe, Krankheiten und Bildgebungstechnologien aufzunehmen.

Das langfristige Ziel ist klinisch. „Unser Ziel ist es, das, was wir aus Tausenden Gewebeproben lernen, in Erkenntnisse zu übersetzen, die einzelnen Patienten helfen können“, sagt Bunne. Gemeinsam mit Klinikern wolle das Team diese Erkenntnisse in bessere Vorhersagen darüber überführen, wie die Erkrankung eines Patienten verlaufen wird und welche Therapien ihm am ehesten nutzen.