Forschende der ETH Lausanne haben gemeinsam mit Partnern, darunter dem Universitätsspital Zürich (USZ) und der Universität Zürich (UZH), ein KI-Modell entwickelt, das komplexe Proteom-Daten gezielt analysieren kann. Langfristig soll es helfen, Therapieansätze und Krankheitsverläufe genauer vorherzusagen und die Präzisionsonkologie voranzubringen.
Ein Tumor besteht nicht nur aus Krebszellen. Auch Immunzellen, Blutgefässe und andere Bestandteile des umliegenden Gewebes beeinflussen, wie ein Tumor wächst und wie er auf eine Behandlung reagiert. Selbst Tumoren mit einer ähnlichen zellulären Zusammensetzung können deshalb ganz unterschiedlich auf dieselbe Therapie ansprechen. Entscheidend ist, welche Zellen im Tumor vorkommen, wo sie sich befinden und wie sie miteinander interagieren. Moderne Analyseverfahren wie die räumliche Proteomik machen diese komplexen Zusammenhänge sichtbar. Die dabei entstehenden grossen Datenmengen sind jedoch schwierig auszuwerten und liessen sich bisher nur begrenzt über verschiedene Studien hinweg vergleichen.
Um diese Herausforderung anzugehen, hat eine Forschungsgruppe der ETH Lausanne zusammen mit Forschern aus Genf, dem USZ und der UZH ein Foundation Modell entwickelt, welches aus räumlichen Proteom-Daten dreidimensionale Gewebe rekonstruieren kann. Das „Virtual Tissues“ (VirTues) Modell kann räumliche Proteom-Daten über verschiedene Studien und unterschiedliche Tumorarten hinweg vergleichen. Es kann genutzt werden, um biologische Zusammenhänge zwischen Zellen, Geweben, Therapien und Behandlungsergebnissen der Patienten zu untersuchen. Die Ergebnisse wurden am 5. August 2026 in Nature veröffentlicht.
Hunderte von Proteinen gleichzeitig messen
„Welche Zellen in einem Tumor vorhanden sind, ist nur ein Teil des Gesamtbildes“, sagt die Leiterin der Forschungsgruppe an der ETH Lausanne, Charlotte Bunne. „Wir müssen ebenso wissen, wo diese sie sich befinden und wie sie miteinander interagieren.“ Diese Frage über viele Patienten hinweg zu beantworten, ist ebenso sehr ein rechnerisches wie ein biologisches Problem.
„In der Onkologie ist die schiere Menge an Daten, die bei der Analyse von Gewebe anfallen, in den letzten Jahren exponentiell gewachsen“, sagt Andreas Wicki, stellvertretender Klinikdirektor an der Klinik für medizinische Onkologie und Hämatologie am USZ. „Computergestützte Modellierung ist der Schlüssel, um Daten in einem klinischen Umfeld für Patienten nutzbar zu machen.“
VirTues kann Proteine einbeziehen, die in verschiedenen Studien, bei unterschiedlichen Krebsarten und mit verschiedenen Panels gemessen wurden. Damit lässt sich jede neue Gewebeprobe innerhalb desselben Rahmens vergleichen und analysieren. Jede neue Studie baut auf dem bereits Erlernten auf und erweitert das Wissen fortlaufend.
„Diese Flexibilität ist eine der grössten Stärken von VirTues“, sagt Johann Wenckstern, Doktorand in Bunnes Gruppe und Erstautor der Studie. „Sie ermöglicht es uns, Datensätze in ein einziges Model zu integrieren, Gewebe aus verschiedenen Studien auf dieselbe Weise zu analysieren und Erkenntnisse über verschiedene Patientengruppen hinweg schnell zu interpretieren.“
Gewebedaten können viele verschiedene biologische und klinische Fragen beantworten, doch die meisten bestehenden computergestützten Modelle sind jeweils nur für eine einzige Frage ausgelegt. VirTues hingegen folgt der Logik von Foundation Modellen, wie sie in der Sprachverarbeitung bereits verwendet werden: Es wird breit gefächert trainiert und nicht für eine einzelne vordefinierte Aufgabe. Statt Beziehungen zwischen Wörtern zu erlernen, lernt das Model Beziehungen zwischen Proteinen, Zellen und deren räumlichem Kontext und schafft so eine gemeinsame Repräsentation, die auf verschiedene Analysen angewendet werden kann.
Zwei zentrale Fortschritte
„Als Analysewerkzeug bearbeitet VirTues Fragen, für deren Beantwortung ein Labor andernfalls separate Methoden benötigen würde“, sagt Charlotte Bunne. „Forscher können es nutzen, um die Muster der Tumore zu unterscheiden und Biomarker zu entdecken, die mit dem Krankheitsverlauf und dem Ansprechen auf die Behandlung in Verbindung stehen.“
VirTues erzielt zwei zentrale Fortschritte. Erstens stellt es den bislang grössten öffentlich zugänglichen Datensatz räumlicher Proteomik-Messungen zusammen, der mehr als 12’000 Bilder von über 5’000 Patienten umfasst. Zweitens entwickelt es ein Modell, das darauf ausgelegt ist, komplexe Muster in grossen Datensätzen zu erlernen und zu interpretieren.
„Die Möglichkeiten eines solchen Foundation Modells für die Präzisionsonkologie sind bemerkenswert. Sie erlauben uns, viele Biomarker gleichzeitig beurteilen zu können, ohne dass wir biologisch begründete hierarchische Annahmen zur Wertigkeit der Marker treffen müssen. Das ist ein wichtiger Schritt auf dem Weg, strukturierte Therapievorhersagemodelle zu entwickeln“, sagt Andreas Wicki. „Mittelfristig ist die Weiterentwicklung von VirTues und anderen Modellen in ein Medizinprodukt und die Einbindung in unsere lokalen und nationalen Tumorboards für Präzisionsonkologie ein logischer weiterer Schritt.“
Link zur Publikation
