Manifold learning voor de visualisatie, prioritisatie en data fusion van Mass Spectrometry Imaging data

Mass Spectrometry Imaging (MSI) is een krachtige moleculaire beeldvormingstechnologie die de spatiale verdeling van moleculen in een weefselcoupe kan detecteren. Omdat MSI geen a priori labeling vereist, is de techniek zeer populair geworden voor de exploratieve vergelijking van metabolieten, lipiden, peptiden en proteïnen tussen de verschillende weefselregio's. Vermits het aangetoond is dat tumorale heterogeniteit een belangrijke rol speelt in tumorbiologie, is het duidelijk geworden dat we de spatiale distributie van moleculen dienen op te helderen. MSI kan daarom van significant belang zijn in het voorspellen van kanker progressie en behandelingsrespons, hetgeen vaak een uitdaging blijft in de huidige klinische praktijk. Een enkele meting kan echter tot complexe en hoog-dimensionale data leiden in de gigabyte en zelfs tot in de terabyte grootteorde. Het manueel exploreren van de data is daarom onmogelijk geworden en ondersteuning door computationale methoden is vereist.

De focus van dit werk ligt daarom op de ontwikkeling en toepassing van computationele methodes op MSI data. Specifiek hebben we ons gefocust op de onderwerpen gerelateerd aan niet-lineaire dimensionaliteitsreductie, de ranking van moleculen gemeten per weefselregio en een data fusion aanpak van MSI met de overeenkomstige histologie of microscopie afbeelding. Voor de niet-lineaire dimensionaliteitsreductie, maken we gebruik van Uniform Manifold Approximation and Projection (UMAP) waardoor we excellente visualisaties bekomen van MSI data, hetgeen we kunnen vergelijken met de corresponderende histologische secties. We hebben bovendien een uitbegreide evaluatie uitgevoerd aangaande de performantie en resultaten in vergelijking met andere dimensionaliteitsreductie aanpakken. Daartoe hebben we gebruik gemaakt van spatiale autocorrelatie met de spectrale similariteit als benchmark. Daarenboven hebben we een empirische evaluatie uitgevoerd met betrekking tot het gebruik van verschillende afstandsmaten waarbij we tonen dat de keuze van een bepaalde afstandsmaat de uitkomst van visualisatie kan beïnvloeden. Verder bouwend op de verkregen visualisaties door middel van UMAP stellen we vervolgens een bi-directionele dimensionaliteitsreductie voor om de moleculen te prioriteren die deze observaties drijven. Deze aanpak laat ons toe om de m/z - waarden te rangschikken in individuele stalen maar ook over de verschillende weefsel stalen heen door het in rekening brengen van zowel spatiale als spectrale informatie. Deze aanpak werd aangetoond voor een reeks stalen van wildtype muizen.

Finaal introduceren we het correspondence-aware manifold learning paradigma voor data fusie van moleculaire beeldvorming data met de corresponderende microscopie beelden. Dit laat ons toe om moleculaire informatie naar een hogere spatiale resolutie te brengen. Zo kunnen deze visualisaties namelijk bijdragen aan het digitale pathologie domein voor de snelle interpretatie van een volledige MSI dataset vanuit het perspectief van de patholoog. We hebben aangetoond dat door middel van deze aanpak het mogelijk wordt om een enkele infiltrerende plasma cel te onderscheiden van een groep fenotypisch verschillende (epitheliale) cellen. Het onderscheiden van aparte, afwijkende cellen is echter van cruciaal belang voor de evaluatie van een brede waaier aan pathologieën, met name voor kanker.