AL
A. Lam
Author with expertise in Chronic Kidney Disease and its Implications
Achievements
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
3
(67% Open Access)
Cited by:
2
h-index:
9
/
i10-index:
8
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Spatial proteomics of human diabetic kidney disease, from health to class III

Ayano Kondo et al.Jul 22, 2024
+16
M
S
A
0
Citation1
0
Save
3

Spatial proteomics of human diabetic kidney disease, from health to class III

Ayano Kondo et al.Apr 12, 2023
+16
D
M
A
ABSTRACT Aims/Hypothesis Diabetic kidney disease (DKD) remains a significant cause of morbidity and mortality in people with diabetes. Though animal models have taught us much about the molecular mechanisms of DKD, translating these findings to human disease requires greater knowledge of the molecular changes caused by diabetes in human kidneys. Establishing this knowledge base requires building carefully curated, reliable, and complete repositories of human kidney tissue, as well as tissue proteomics platforms capable of simultaneous, spatially resolved examination of multiple proteins. Methods We used the multiplexed immunofluorescence platform CO-Detection by indexing (CODEX) to image and analyze the expression of 21 proteins in 23 tissue sections from 12 individuals with diabetes and healthy kidneys (DM, 5 individuals), DKD classes IIA, and IIB (2 individuals per class), IIA-B intermediate (2 individuals), and III (one individual). Results Analysis of the 21-plex immunofluorescence images revealed 18 cellular clusters, corresponding to 10 known kidney compartments and cell types, including proximal tubules, distal nephron, podocytes, glomerular endothelial and peritubular capillaries, blood vessels, including endothelial cells and vascular smooth muscle cells, macrophages, cells of the myeloid lineage, broad CD45+ inflammatory cells and the basement membrane. DKD progression was associated with co-localized increase in collagen IV deposition and infiltration of inflammatory cells, as well as loss of native proteins of each nephron segment at variable rates. Compartment-specific cellular changes corroborated this general theme, with compartment-specific variations. Cell type frequency and cell-to-cell adjacency highlighted (statistically) significant increase in inflammatory cells and their adjacency to tubular and αSMA+ cells in DKD kidneys. Finally, DKD progression was marked by substantial regional variability within single tissue sections, as well as variability across patients within the same DKD class. The sizable intra-personal variability in DKD severity impacts pathologic classifications, and the attendant clinical decisions, which are usually based on small tissue biopsies. Conclusions/Interpretations High-plex immunofluorescence images revealed changes in protein expression corresponding to differences in cellular phenotypic composition and microenvironment structure with DKD progression. This initial dataset demonstrates the combined power of curated human kidney tissues, multiplexed immunofluorescence and powerful analysis tools in revealing pathophysiology of human DKD.
3
Citation1
0
Save
9

emObject: domain specific data abstraction for spatial omics

Ethan Baker et al.Jun 9, 2023
+6
A
M
E
Abstract Recent advances in high-parameter spatial biology have yielded a rapidly growing new class of biological data, allowing researchers to more comprehensively characterize cellular state and morphology in native tissue context. However, spatial biology lacks a cohesive data abstraction on which to build novel computational tools and algorithms, making it difficult to fully leverage these emergent data. Here, we present emObject, a domain-specific data abstraction for spatial biology data and experiments. We demonstrate the simplicity, flexibility, and extensibility of emObject for a range of spatial omics data types, including the analysis of Visium, MIBI, and CODEX data, as well as for integrated spatial multiomic experiments. The development of emObject is an essential step towards building a unified data science ecosystem for spatial biology and accelerating the pace of scientific discovery.