Zlobec, Williams, Digitale Pathologie

Unsere Forschungsgruppe befasst sich mit den morphomolekularen und "spatial" biologischen Aspekten von Darmkrebs. Wir nutzen digitale Pathologie und künstliche Intelligenz (KI), um Einblicke in das vielschichtige Phänomen der "Tumor budding" zu gewinnen, einschliesslich der Modulation der Mikroumgebung der Tumork budding nach der Behandlung und der klinischen Auswirkungen der Tumorheterogenität auf das Ergebnis der Patienten.

Aktuelle Forschungsprojekte Zlobec, Williams

Tiefgreifende Charakterisierung des Tumorökosystems und dessen Zusammenhang mit der Krankheitsprognose und der Vorhersage des Therapieerfolgs durch «Spatial Omics»

Gruppe Zlobec, Williams Das Tumorökosystem besteht aus Tumor, Stroma (zelluläre Komponente) und extrazellulärer Matrix (ECM), wobei Stroma und ECM zusammen das Tumor-Mikroumfeld (TME) bilden. Die Williams-Gruppe nutzt räumlich aufgelöste Technologien wie den Nanostring GeoMx Digital Spatial Profiler (DSP), den CosMx Spatial Molecular Imager (SMI) und die MACSima-Plattformen, um zu untersuchen, wie die Zusammensetzung und Architektur des Krebsökosystems die Krankheitsphänotypen bestimmt. Aktuelle Projekte umfassen: Untersuchung der TME-Heterogenität und ihr Einfluss auf epitheliale Identität und Plastizität in kolorektalem Krebs. Eingehende Charakterisierung der biochemischen und strukturellen Eigenschaften der ECM zur Identifizierung prädiktiver und prognostischer Biomarker.

Ortsaufgelöste transkriptomische Profildefinierung des Tumorökosystems in kolorektalem Krebs. Verwendete primäre Antikörper für die Gewebevisualisierung - Grün: PanCK (Epithel), Blau: DNA (Zellkerne). Auswahl der relevanten Regionen - Rot: Tumor, Gelb: Mikroumfeld des Tumors

Digitale Pathologie und KI sollen neue Erkenntnisse über Darmkrebs liefern

Gruppe Zlobec, Williams Unser Sinergia-Projekt nutzt KI, um neue Einblicke in die Biologie kolorektaler Karzinome zu gewinnen.  Wir untersuchen morphomolekulare Beziehungen, einschließlich molekularer Subtypen, und intratumorale Heterogenität, um neue interpretierbare und klinisch wichtige Merkmale aus histopathologischen Bildern zu lernen. Wir verwenden verschiedene computergestützte Methoden, darunter Graphen und Deep Learning, um die strukturellen und räumlichen Muster an der Tumorinvasionsfront bei neoadjuvant behandelten Patienten zu bewerten. Wir haben unseren Bereich auf das Verständnis von Transkriptions-Subtypen erweitert, indem wir räumliche Transkriptom- und räumliche Proteinexpressionsanalysen verwenden. Die Mikroumgebung des Tumors mit ihren komplexen stromalen Mustern und dem Immunkontext sind wichtige Schwerpunktthemen. Zu den Mitarbeitern an diesem Projekt gehören M. Rodriguez (IBM Research), M. Anisimova (ZHAW), B. Snijder (ETH Zürich), A. Fischer (HES-SO & UniFribourg) und V. Koelzer (UniZürich).

Epithelzellen- und Lymphozytengraphen bei kolorektalem Krebs

Entwicklung von Tools für die computergestützte Diagnose

Gruppe Zlobec, Williams Neben der explorativen Gewebeanalyse entwickelt, testet und validiert unser Team interne, Open-Source- und kommerziell verfügbare Algorithmen für den potenziellen diagnostischen Einsatz und die Workflow-Integration. Wir verwenden Deep-Learning-Methoden für die Segmentierung und Metastasenerkennung in Lymphknoten. Anschließend rationalisieren wir die Prozesse vom Labor über die Datenanalyse bis hin zur Visualisierung der Ergebnisse und der Interaktion unserer Algorithmen mit den Bewertungen und dem Feedback der Pathologen. Gemeinsam mit unseren erfahrenen Pathologen-Kollegen arbeiten wir an einer Vielzahl von Algorithmen, darunter PD-L1 (Tereza Losmanova), H. pylori (Bastian Dislich), IBD-Scoring (Aart Mookhoek), Tumor-Knospung-CD8-Scores (Heather Dawson), Brust-Biomarker (Wiebke Solass) und Pankreas-Pathologie (Martin Wartenberg).

Computergestützte Analyse von Darmkrebsmetastasen in Lymphknoten