חיזוי חזק וניתן לפרש של סמןי גנים וסוגי תאים מנתוני טרנסקריפטומיקה מרחבית

הפיכת פרוסות רקמה שגרתיות למפות מולקולריות

כאשר מבצעים ביופסיה, הרופאים בדרך כלל רואים רק את מה שהמיקרוסקופ מגלה: הצורות והדפוסים של התאים בצביעות הורוד‑סגולות. אך מתחת לצבעים אלה שוכן עולם נסתר של גנים שמדליקים וכבים, שמשפיעים על אופן הצמיחה של סרטן ועל תגובתו לטיפול. מחקר זה מציג את STimage, מערכת בינה מלאכותית חדשה שמטרתה לקרוא את התסריט המולקולרי הזה ישירות מתמונות פתולוגיה סטנדרטיות, ובכך לספק תובנות מהירות וזולות יותר ללא בדיקות מעבדה נוספות.

מתמונות לפעילות גנטית

שיטות מודרניות ב"טרנסקריפטומיקה מרחבית" יכולות למדוד את הפעילות של עשרות אלפי גנים תוך כדי שמירה על המיקום שממנו הגיע כל אות ברקמה. שיטות אלה עוצמתיות אך יקרות ולא שגרתיות עדיין בבתי חולים. STimage מאומן על כמות צנועה של מערכי נתונים מרחביים כאלה, שבהם כל תמונת רקמה משויכת למדידות גנטיות מפורטות בנקודות זעירות רבות. ה‑AI לומד לקשר דפוסים ויזואליים מקומיים בפרוסת ה‑H&E — כמו צפיפות או אי‑סדירות הגרעינים — עם הפעילות הגנטית שמתחתיהם, כך שבשלב מאוחר יותר יוכל לחזות ביטוי גנים וסוגי תאים מתמונות רגילות בלבד.

בניית פתולוג AI מהימן יותר וניתן לפרש

מטרה מרכזית בעבודה היא לא רק דיוק אלא גם אמינות והסבריות. במקום להחזיר מספר בודד לכל גן, STimage חוזה התפלגות הסתברותית מלאה, המתארת טווח סביר של פעילות גנים בכל מיקום. הוא גם מפריד בין שני סוגי אי־ודאות: אחת הנובעת מנתונים רועשים או משתנים, ואחרת שמשקפת חוסר ידיעות של המודל עצמו. על ידי אימון של גרסאות מעט שונות של המודל וממוצען — גישת "אנצמבל" — החוקרים משפרים את הביצועים ומקבלים תחושה ברורה יותר איפה המערכת בטוחה ואיפה לא, דבר קריטי לקבלת החלטות קליניות.

בדיקה בחצאי סרטן, טכנולוגיות ובתי חולים שונים

הקבוצה העריכה את STimage על מערכי נתונים מגוונים של סרטן השד, העור והכליה, וכן מחלה כבדית קשורה למערכת החיסון. המערכת למדה לחזות סמני סרטן וחיסון חשובים, לעיתים קרובות בהתאמה לדפוסים המרחביים האמיתיים שנצפו בניסויים עצמאיים. המודל החזיק מעמד גם כאשר אתגרו אותו בנתונים ממעבדות שונות, בשיטות הכנת דגימות שונות ואפילו בטכנולוגיות בסיס שונות, הכוללות פלטפורמות ברזולוציה של תא יחיד ומערכות ישנות יותר וברזולוציה נמוכה. בהשוואות ישירות עם כמה כלים מבוססים קיימים, STimage וגרסאות האנצמבל שלו בדרך כלל עמדו בראש, במיוחד בעת שיפוט עד כמה הדפוסים החזויים התאימו לחלוקה האמיתית של פעילות גנים ברקמה.

לראות בתוך הגידולים: תאים, הישרדות ותגובה לתרופות

STimage חורג מעבר לחיזוי גנים והוא גם מסיק אילו סוגי תאים תופסים כל אזור, באמצעות מערכי נתונים ברזולוציה גבוהה שבהם זהות כל תא ידועה. המודל הצליח להבחין בין תאי סרטן לתאים חיסוניים ותאים תומכים ולמפות את הסידור שלהם על הפרוסה. המחברים החילו לאחר מכן את STimage על אוספים גדולים של תמונות סרטן שגרתיות מ‑The Cancer Genome Atlas. גם בלי מדידות מרחביות, הפרופילים הגנטיים שחזה ה‑AI התאימו במידה רבה לנתוני גנים בסיבוב שלם (bulk). תחזיות אלה היו חזקות מספיק כדי לקבץ מטופלים לקטגוריות סיכון גבוהות ונמוכות ולסייע בהבחנה בין אלו שעשויים להגיב באופן מלא לטיפולים מסוימים בסרטן השד.

למה זה חשוב עבור מטופלים בעתיד

עבור מטופלים ורופאים, ההבטחה של STimage היא סוג של "שכבת מולקולות" על פרוסת הפתולוגיה המוכרת. במקום להזמין בדיקות יקרות מרובות, תמונה אחת סרוקה עשויה יום אחד לחשוף היכן פעילים תכניות גנטיות אגרסיביות, כיצד התפלגו התאים החיסוניים, ואילו סמנים מעידים על תוצאות טובות או גרועות או על תגובות שונות לתרופות. למרות שהשיטה עדיין עוברת שיפור והמתאם עם מדידות אמת אינו מושלם, יכולתה ללכוד דפוסי מרחב, להעריך את אי־הוודאות שלה עצמה ולהדגיש אילו תאים מניעים את תחזיותיה הופכת אותה לצעד מעשי לקראת פתולוגיה דיגיטלית אינפורמטיבית ושקופה יותר.

ציטוט: Tan, X., Mulay, O., Xie, J. et al. Robust and interpretable prediction of gene markers and cell types from spatial transcriptomics data. Nat Commun 17, 1781 (2026). https://doi.org/10.1038/s41467-026-68487-0

מילות מפתח: פתולוגיה דיגיטלית, טרנסקריפטומיקה מרחבית, סמנים ביולוגיים של סרטן, למידה עמוקה, מיקרו‑סביבה של גידול