La proteomica spaziale è stata selezionata come Method of the Year 2024 per il suo ruolo cruciale nella comprensione dell’organizzazione dei tessuti complessi. Questa disciplina consente di mappare la distribuzione delle proteine nei tessuti, contribuendo a progetti globali come la costruzione di atlanti biomolecolari (Bodenmiller, 2024).
Cos’è la proteomica spaziale?
Si tratta di un termine generico che include tecniche basate sull’immunoistochimica, tra cui:
- Cyclic immunofluorescence (cycIF)
- Co-detection by indexing (CODEX)
- Iterative bleaching extends multiplexity (IBEX)
- Multiplexed ion beam imaging (MIBI)
- Imaging mass cytometry (IMC)
Un’innovazione recente è la deep visual proteomics (DVP), che utilizza la spettrometria di massa su campioni laser-dissezionati mantenendo il contesto spaziale. Questo approccio consente una copertura proteomica molto più ampia rispetto ai metodi limitati dalla disponibilità di anticorpi (Nordmann et al., 2024).
Perché ora?
Nonostante tecniche di proteomica spaziale esistano da tempo, gli sviluppi recenti, come DVP, e i progressi di grandi consorzi (ad esempio, HuBMAP e HTAN), hanno accelerato il campo. Questi consorzi creano strumenti innovativi, come:
- CyLinter per il controllo di qualità delle immagini.
- CalicoST per ricostruire l’evoluzione spaziale dei tumori (Ma et al., 2024).
Prospettive e commenti sul campo
- Origini e futuro della proteomica spaziale
Bernd Bodenmiller descrive come la proteomica spaziale, evoluta dall’immunofluorescenza, possa rivelare intricati dettagli dei tessuti, contribuendo alla medicina di precisione. L’autore evidenzia anche il ruolo potenziale dell’intelligenza artificiale (IA) (Bodenmiller, 2024). - Strumenti computazionali
Yuval Bussi e Leeat Keren sottolineano le attuali limitazioni nei workflow frammentati e auspicano un’integrazione più fluida tra elaborazione e analisi delle immagini per migliorare la scoperta biologica (Keren & Bussi, 2024). - Impatto sul cancro
Daniela Quail e Logan Walsh discutono come la proteomica spaziale abbia rivoluzionato la ricerca sul cancro, migliorando la comprensione delle interazioni tra cellule e il microambiente tumorale. Combinata con l’IA, potrebbe guidare la medicina personalizzata e le strategie terapeutiche (Quail & Walsh, 2024). - Deep Visual Proteomics
Thierry Nordmann, Andreas Mund e Matthias Mann sottolineano i vantaggi della spettrometria di massa per analisi proteomiche approfondite. Il futuro include miglioramenti nella sensibilità e l’integrazione con altre tecnologie “omiche” (Nordmann et al., 2024). - Integrazione multi-omica
Rong Fan esplora l’importanza di combinare la proteomica spaziale con altre tecnologie come la trascrittomica spaziale ed epigenetica per una visione più completa della complessità biologica (Fan, 2024).
Futuro della proteomica spaziale
Si prevede un’espansione delle applicazioni con:
- Miglioramenti nella preparazione dei campioni e nella microscopia.
- Maggiore copertura spaziale e risoluzione subcellulare.
- Democratizzazione dell’accesso alla tecnologia (Marx, 2024).
L’integrazione multi-omica continuerà a crescere, offrendo una comprensione più completa della biologia nei tessuti sani e malati.
Conclusione
La proteomica spaziale rappresenta un balzo avanti nella biologia molecolare, promettendo nuove scoperte nella salute e nella malattia, con implicazioni dirette per la ricerca, la medicina personalizzata e la terapia oncologica.
Fonti
- Baker, G. et al. (2024). Nature Methods. https://doi.org/10.1038/s41592-024-02328-0
- Ma, C. et al. (2024). Nature Methods. https://doi.org/10.1038/s41592-024-02438-9
- Bodenmiller, B. (2024). Nature Methods. https://doi.org/10.1038/s41592-024-02538-6
- Keren, L. & Bussi, Y. (2024). Nature Methods. https://doi.org/10.1038/s41592-024-02539-5
- Quail, D. & Walsh, L. (2024). Nature Methods. https://doi.org/10.1038/s41592-024-02542-w
- Nordmann, T., Mund, A. & Mann, M. (2024). Nature Methods. https://doi.org/10.1038/s41592-024-02541-x
- Fan, R. (2024). Nature Methods. https://doi.org/10.1038/s41592-024-02533-x
- Marx, V. (2024). Nature Methods. https://doi.org/10.1038/s41592-024-02536-8