Cartographie hétérogénéité d'expression des protéines dans les tumeurs par immunofluorescence quantitative
October 25th, 2011
Nous décrivons ici une méthode pour quantifier l'hétérogénéité moléculaire dans des coupes histologiques de matériel tumoral par immunofluorescence quantitative, analyse d'image, et une mesure statistique de l'hétérogénéité. La méthode est destinée à être utilisée dans le développement de biomarqueurs cliniques et analyses.
L’objectif général de l’expérience suivante est de quantifier avec précision l’expression de biomarqueurs dans des sections entières de tissus du cancer humain afin d’attribuer une valeur numérique au degré d’hétérogénéité de l’expression des protéines. Ceci est réalisé en scannant d’abord des sections de tissu cancéreux marquées par immunofluorescence à l’aide d’un scanner fluorescent à lame entière. Les régions d’intérêt suivantes au sein de la tumeur sont sélectionnées pour l’évaluation.
Ensuite, l’expression de la protéine d’intérêt dans les zones tumorales invasives est quantifiée à l’aide du système automatisé d’analyse d’images aqua analysis. En fin de compte, cette méthode peut être utilisée pour cartographier l’expression de biomarqueurs dans les tissus cancéreux, qui sont souvent très hétérogènes dans toute la section du tissu. Le principal avantage de l’utilisation de ces techniques par rapport aux méthodes traditionnelles telles que l’immunohistochimie utilisant des réactifs de visualisation couleur et métrique est que l’immunofluorescence est plus quantitative et plus sensible.
En couplant ces méthodes analytiques à une coupe entière, le balayage par immunofluorescence permet une cartographie fine des variations subtiles de l’expression des biomarqueurs à travers les tissus. Pour la première fois, Mark Gustafson, directeur direct des opérations au laboratoire Histo RX, fait la démonstration de ces procédures. Après le microtome, la coupe d’une biopsie de tissu cancéreux et la coloration immunofluorescente de l’échantillon pour l’expression des biomarqueurs d’intérêt, chargez jusqu’à cinq lames des sections colorées dans la cassette de lames du scanner de lames.
Ensuite, à l’aide de l’interface de la console de portée de balayage. Pour chaque lame, sélectionnez une région qui englobe tous les tissus de la lame, quel que soit le motif de coloration ou d’autres aspects observables de l’échantillon. Ensuite, à l’aide de la console de scan scope, sélectionnez d’abord une région du tissu à évaluer idéalement dans la région tumorale du tissu pour fournir la meilleure représentation.
À l’aide de la fonction d’exposition automatique de la console de balayage, déterminez le temps d’exposition de chaque canal avec la mise au point de l’image, utilisez le losange bleu sur l’image de la console de balayage pour sélectionner une région supplémentaire éloignée du tissu, mais toujours dans la région de la diapositive sous le lamelle de recouvrement pour définir la zone d’arrière-plan où les images de correction de champ plat seront acquises. Pour chaque filtre, ajoutez des points de mise au point à la zone du tissu représentée par des carrés jaunes pour optimiser la capture d’image. Si les images semblent avoir un arrière-plan élevé ou d’autres artefacts d’image, la région de l’image doit être déplacée et de nouvelles images doivent être acquises.
Le tissu est ensuite scanné et les images numériques acquises sont ensuite téléchargées automatiquement dans la base de données de spectre Aperio. Double-cliquez sur la vignette du programme de spectre pour sélectionner la diapositive à analyser dans la liste des diapositives numériques de la base de données du spectre. Ensuite, à l’aide de l’image annotée h et D qui l’accompagne, annotez la région d’intérêt sur l’image fluorescente.
Plusieurs régions d’intérêt délimitées par des cercles individuels peuvent être sélectionnées sur un seul échantillon. Les images annotées sont enregistrées automatiquement dans la base de données du spectre. Sélectionnez maintenant Analyser dans la barre de menu en haut de l’écran lorsque la fenêtre d’analyse apparaît, sélectionnez histo RX aqua analysis dans le menu déroulant.
Lorsque vous êtes prêt à commencer, appuyez sur le bouton d’analyse, Une fenêtre de console réduite apparaîtra dans la barre des tâches Windows affichant la progression du transfert des images de la base de données Spectrum vers l’ordinateur local. Une fois les données transférées, l’aquaanalyse se lancera pour générer un score aqua à l’aide d’un algorithme de scoring aqua non supervisé basé sur le regroupement des données d’un premier seuil d’échantillon, le signal d’image pancytokératine au-dessus du signal d’image de fond. Cela permettra d’utiliser les pixels pour définir un masque tumoral qui pourra ensuite être utilisé pour des calculs ultérieurs.
Utilisez les pixels de la cytokératine pan-exprimée pour définir également les régions cytoplasmiques ou non nucléaires des cellules tumorales. Comme on le voit ici, les pixels avec un signal élevé dans le canal DPI qui se trouvent à l’intérieur du masque tumoral sont identifiés comme étant de nature nucléaire. Si, lors de l’examen, des champs qui n’étaient pas adaptés à la notation en raison d’artefacts d’échantillonnage ou d’imagerie sont identifiés, ces champs sont supprimés de la notation et produiront également un résultat final d’échec.
Les résultats de l’aquascoring sont représentés sous la forme d’un tableau des scores associés à chaque tuile de 512 x 512 pixels dans la région d’intérêt au sein d’un échantillon entier de coupe de tissu, qui peut être sauvegardé et utilisé pour une analyse statistique ultérieure. Ces photomicrographies colorées à l’hémat-toïne et à l’éoïne montrent comment différentes zones d’un même cancer de l’ovaire peuvent présenter une morphologie variable. La vue à haute puissance en haut à droite de la figure B met en évidence les cellules avec une clairance cytoplasmique et un modèle de croissance solide dans la partie supérieure de la tumeur.
La partie inférieure du tissu agrandie dans la partie inférieure droite de la figure C présente cependant un cytoplasme éosinophile plus homogène et un schéma de croissance papillaire. Ici, des cartes thermiques d’hétérogénéité de l’expression du RE dans une coupe de tissu d’un cancer de l’ovaire avant et après un traitement de chimiothérapie sont présentées respectivement dans les panneaux supérieur et inférieur. Notez le changement de l’expression variable du RE dans la section avec des régions d’expression élevée et faible dans la figure supérieure à une distribution uniforme de l’expression du RE élevé illustrée en rouge dans la figure inférieure.
La représentation numérique de ce changement est indiquée à gauche par la diminution de l’indice des Simpsons. Dans cette figure, les cartes thermiques hétérogènes de HER deux dans une coupe de tissu du cancer de l’ovaire sont montrées à nouveau avant et après le traitement, comme on le voit respectivement dans les panneaux supérieur et inférieur. Notez à nouveau le changement de l’expression de la variable HER two dans la section avec des régions d’expression élevée et faible dans la figure supérieure à une distribution uniforme de l’expression haute de HER two dans la figure inférieure.
Une fois de plus, l’indice des Simpson est vu diminuer. Lors de la tentative de cette procédure, il est important de se rappeler que la qualité des données générées par l’analyse informatique est aussi bonne que la qualité de la coloration, et que celle-ci doit être d’un niveau technique élevé.
Aperçu
Cet article présente une méthode pour quantifier l'hétérogénéité moléculaire dans les sections histologiques de tumeurs en utilisant l'immunofluorescence quantitative et l'analyse d'images. L'approche vise à améliorer le développement de biomarqueurs cliniques en fournissant une mesure statistique de l'hétérogénéité de l'expression des protéines.
Composants clés de l'étude
Domaine scientifique
- Neuroscience
- Oncologie
- Immunologie
Contexte
- La quantification de l'expression des biomarqueurs est cruciale dans la recherche sur le cancer.
- Les méthodes traditionnelles comme l'immunohistochimie ont des limites en termes de sensibilité et de quantification.
- L'immunofluorescence offre une approche plus quantitative pour évaluer l'expression des protéines.
- La compréhension de l'hétérogénéité des tumeurs peut informer les stratégies de traitement.
Objectif de l'étude
- Quantifier avec précision l'expression des biomarqueurs sur des sections de tissus entiers.
- Attribuer des valeurs numériques au degré d'hétérogénéité de l'expression des protéines.
- Améliorer la cartographie de l'expression des biomarqueurs dans les tissus cancéreux hétérogènes.
Méthodes utilisées
- Analyse de sections de tissus marquées par immunofluorescence en utilisant un scanner de diapositives entières.
- Sélection de zones d'intérêt dans la tumeur pour évaluation.
- Quantification de l'expression des protéines à l'aide du système d'analyse d'images automatisé aqua analysis.
- Génération de cartes thermiques d'hétérogénéité pour visualiser les changements dans l'expression des biomarqueurs.
Résultats principaux
- Démonstration de la capacité à cartographier les variations d'expression des biomarqueurs dans les tissus cancéreux.
- Montrer les changements dans les schémas d'expression avant et après le traitement par chimiothérapie.
- Fournir une évaluation quantitative de l'hétérogénéité en utilisant l'indice de Simpson.
- Souligner les avantages de l'immunofluorescence par rapport aux méthodes traditionnelles.
Conclusions
- La méthode améliore la compréhension de l'hétérogénéité des biomarqueurs dans les tumeurs.
- Elle offre une approche plus sensible et quantitative pour les applications cliniques.
- Cette technique peut aider au développement de thérapies ciblées basées sur l'expression des biomarqueurs.
Questions fréquemment posées
Executive Industry Relevance
Quantifying spatial heterogeneity of protein expression in tumors addresses a critical gap in biomarker-driven drug development, where traditional bulk or semi-quantitative methods mask subpopulation-level variability that can influence therapeutic response and resistance. By providing a numerical, spatially resolved measure of biomarker distribution, this method enables more precise patient stratification and supports mechanistic de-risking in target validation and assay development pipelines. Its application to ER and HER2 in ovarian cancer demonstrates direct relevance to endocrine and targeted therapy response prediction, informing go/no-go decisions in preclinical and early clinical programs.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by mapping biomarker expression heterogeneity as an independent variable in target validation studies.
- Operational Value: Supports functional target validation by revealing whether observed biomarker levels reflect uniform target engagement or are confounded by intratumoral variability.
- Predictive Value: Enhances portfolio triage by identifying targets with homogeneous expression patterns more likely to yield consistent drug responses across tumor regions.
Screening & Assay Development
- Assay Readiness: Generates validated, spatially resolved protein expression maps that serve as quantitative benchmarks for developing and standardizing immunofluorescence-based assays.
- Reproducibility: Uses automated tiling and AQUA scoring to minimize observer bias and ensure consistent quantification across tissue sections and experimental batches.
- Screening Scalability: Produces tile-level data compatible with high-content analysis workflows, enabling scalable evaluation of compound effects on biomarker distribution.
Translational & Preclinical Research
- Translational Continuity: Links discovery-phase heterogeneity measurements to preclinical validation by providing a disease-relevant system for assessing biomarker stability before and after therapeutic intervention.
- Mechanistic De-risking: Quantifies changes in ER and HER2 expression heterogeneity pre- and post-chemotherapy, offering a predictive biomarker for therapy-induced phenotypic shifts.
- Risk-Adjusted Advancement: Supports go/no-go decisions by identifying whether therapeutic effects are uniform or selective, reducing late-stage failure due to unanticipated resistant subclones.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from target validation through lead identification and preclinical evaluation, particularly for biomarker-driven therapies where spatial expression patterns influence drug efficacy and resistance mechanisms.
- Discovery Biology: Supports hypothesis testing by enabling quantification of protein expression heterogeneity as a variable in mechanistic studies of tumor biology and signaling pathways.
- Screening: Delivers assay-ready, quantitative outputs (AQUA scores per tile) that facilitate reproducible compound screening in heterogeneous tumor models.
- Analytics: Generates heterogeneity heat maps and Simpson’s index-derived scores, providing statistical metrics to compare conditions and track expression changes over time or treatment.
- Translational Research: Connects to preclinical continuity by demonstrating how biomarker expression shifts post-treatment, informing pharmacodynamic monitoring strategies.
- Enterprise Reuse: Establishes a reusable imaging and analysis platform applicable across cancer types and biomarkers, reducing redundant method development.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in biomarker relevance by reducing mechanistic ambiguity arising from unmeasured intratumoral heterogeneity.
- Operational Value: Delivers standardized, reproducible quantification through automated image analysis and validated staining protocols.
- Strategic Value: Improves capital efficiency by enabling earlier identification of biomarkers with uniform expression, reducing investment in targets likely to fail due to heterogeneous target availability.
- Portfolio Impact: Informs risk-adjusted prioritization by highlighting biomarkers where heterogeneity correlates with poor prognosis or variable treatment response.
Implementation Considerations
- Requires expertise in immunofluorescence staining, whole-slide scanning, and AQUA-based image analysis.
- Dependent on high-quality, multiplex immunofluorescence staining and a whole-slide fluorescence scanner with spectral unmixing capabilities.
- Necessitates standardized protocols for region-of-interest selection and background correction to ensure cross-lab comparability.
- Adaptation to alternative model systems (e.g., xenografts, organoids) requires validation of epithelial masking and signal segmentation parameters.
- Practical limitations include dependency on antibody specificity and signal-to-noise ratio, which can affect quantification accuracy in low-abundance targets.
