Das Team von Dr. Fabian Coscia, Leiter der Arbeitsgruppe „Spatial Proteomics“ am Max Delbrück Center, hat jetzt das erste Open-Source-Tool für einen ganzheitlichen Workflow entwickelt: „openDVP“ soll die Anwendung der – noch einmal optimierten – Technologie vereinfachen und einer größeren Gruppe von Nutzenden zugänglich machen. Ihre neue Pipeline stellen die Forschenden in der Fachzeitschrift „Nature Methods“ vor.
Coscias Arbeitsgruppe hat DVP mitentwickelt, erstmals veröffentlicht wurde die Methode im Jahr 2022. Aufgrund der konzeptionellen Neuartigkeit und der bereits bewiesenen translationalen Bedeutung habe „Nature Methods“ das Verfahren „Spatial Proteomics“, zu dem DVP gehöre, als „Methode des Jahres 2024“ ausgezeichnet, erklärt Coscia, der Letztautor der aktuellen Publikation.
„Wir freuen uns sehr, dass sich die Methode in den letzten Jahren stark weiterentwickelt hat – was den gemeinsamen Anstrengungen mehrerer internationaler Forschungsgruppen zu verdanken ist“, sagt Coscia. „Uns wurde jedoch auch klar, dass für weitere Fortschritte und für die breite Nutzung und Akzeptanz in der Fachwelt Open-Source-Tools erforderlich sind. Wir haben openDVP entwickelt, um diese entscheidende Lücke zu schließen.“
DVP kombiniert hochauflösende Bildgebung, künstliche Intelligenz und Massenspektrometrie, um Karten von Tausenden von Proteinen im Inneren von Zellen innerhalb eines Gewebes zu erstellen. Die Möglichkeit, Proteine so detailliert zu katalogisieren und visualisieren, hilft Forschenden, ihr Verständnis für die Entstehung von Krankheiten zu vertiefen und, darauf aufbauend, bessere Therapien zu entwickeln. Die Methode ist nicht auf bestimmte Erkrankungen beschränkt, sondern lässt sich bei biologischen Proben jeglicher Art anwenden.
Mehr Reichweite für das Verfahren
Mit openDVP hat das Team um Coscia den Bildanalyseprozess optimiert und einen beschleunigten Arbeitsablauf entwickelt. Er ermöglicht es Forschenden, einzelne besonders interessante Zellen oder Gewebeabschnitte schnell zu markieren und zu vermessen. Besondere Fachkenntnisse in der computergestützten Bildanalyse sind dafür nicht erforderlich.
Darüber hinaus hat die Gruppe eine neue Strategie zur Gewebeentnahme eingeführt, die sie als „zelluläre nachbarschaftsgeführte DVP“ (kurz cnDVP, für „cellular neighborhood-guided DVP“) bezeichnet. Diese steuert die Gewebeentnahme auf der Grundlage wiederkehrender funktionaler Zellgruppen. Dabei handelt es sich um Zusammenschlüsse von verschiedenen spezialisierten Zellen, die gemeinsam eine bestimmte Aufgabe im Körper erfüllen. „cnDVP beschleunigt die Probenentnahme um das etwa 100-Fache“, sagt Jose Nimo, Erstautor der Publikation. „Unser gesamter openDVP-Workflow senkt die Einstiegshürden für eine wachsende DVP-Community erheblich.“
Um die Möglichkeiten der Technologie zu demonstrieren, analysierten und charakterisierten die Forschenden die räumlich aufgelösten Proteome von Zellen in drei verschiedenen Gewebeproben: aus einer Plazenta, einem Lungenadenokarzinom und einem Tumor der Brust. „Wir haben diese Proben ausgewählt, um die Vielseitigkeit unserer Methode zu zeigen. Mit ihnen können wir verdeutlichen, wie das Verfahren einzigartige Einblicke in die Funktion von Proteinen in verschiedenen zellulären Umgebungen liefern kann, die bisher weitgehend unerforscht waren“, sagt Coscia.
Die Analyse des Plazentagewebes zeigte Details der zellulären Kommunikation, die man mit anderen Technologien nur schwer hätte entschlüsseln können. In der Lungenkrebsprobe fand openDVP mehrere Wirkstoffziele, für die es bereits zugelassene Therapien gibt. Außerdem identifizierte das Verfahren den Glukosetransporter GLUT1, der metastasierten Tumorzellen bei der Glukoseaufnahme hilft. „Patienten mit Tumoren, die hohe Mengen dieses Proteins aufweisen, zeigen deutlich schlechtere Überlebensraten – was seine klinische Relevanz verdeutlicht“, erläutert Nimo. Bei Brustkrebs deckte die Technologie erhöhte und möglicherweise medikamentös behandelbare Entzündungssignalwege auf, die mit Resistenzen gegen die Chemotherapie in Verbindung stehen.
Viele klinische Anwendungen
Künftig könnte die openDVP-Methode klinische Studien unterstützen, indem sie Forschenden zum Beispiel hilft, die Wirkmechanismen von Medikamenten besser zu verstehen – oder auch die biologischen Prozesse, die dazu führen, dass Krebserkrankungen nicht mehr auf eine Behandlung ansprechen, sagt Nimo. Darüber hinaus könnte sie dazu beitragen, molekulare Muster zu identifizieren, die mit dem Ansprechen oder Nichtansprechen auf Medikamente in Verbindung stehen. Das wiederum würde wertvolle Erkenntnisse liefern, um bessere Therapien und Diagnostika zu entwickeln.
Um die Technik klinisch noch besser nutzbar zu machen, plant das Team bereits, histologische „Foundation Models“ zu integrieren – große neuronale Netzwerke der künstlichen Intelligenz, die anhand histopathologischer Daten trainiert wurden. „Auf diese Weise werden wir in der Lage sein, groß angelegte räumliche Proteomik-Studien zu vielen verschiedenen Krankheiten durchzuführen“, sagt Nimo. „openDVP ist ein fantastischer technologischer Wegbereiter für diese wichtigen nächsten Schritte“, fügt Coscia hinzu. „Wir können nun Fragen nachgehen, die vor wenigen Jahren noch völlig undenkbar waren.“
Max-Delbrück-Centrum für Molekulare Medizin in der Helmholtz-Gemeinschaft
Originalpublikation:
Nimo, J., Fritzsche, S., Valdes, D.S. et al. OpenDVP: an experimental and computational framework for community-empowered deep visual proteomics. Nat Methods (2026). doi.org/10.1038/s41592-026-03262-z
