Abstract Multiplexed immunofluorescence imaging enables high-dimensional molecular profiling at subcellular resolution. However, learning disease-relevant cellular environments from these rich imaging data is an open challenge. We developed SPAtial CEllular Graphical Modeling (SPACE-GM), a geometric deep learning framework that flexibly models tumor microenvironments (TMEs) as cellular graphs. We applied SPACE-GM to 658 head-and-neck and colorectal human cancer samples assayed with 40-plex immunofluorescence imaging to identify spatial motifs associated with cancer recurrence and patient survival after immunotherapy. SPACE-GM is substantially more accurate in predicting patient outcomes than previous approaches for modeling spatial data using neighborhood cell-type compositions. Computational interpretation of the disease-relevant microenvironments identified by SPACE-GM generates insights into the effect of spatial dispersion of tumor cells and granulocytes on patient prognosis.

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.

Abstract Multiplex immunofluorescence (mIF) assays multiple protein biomarkers on a single tissue section. Recently, high-plex CODEX (co-detection by indexing) systems enable simultaneous imaging of 40+ protein biomarkers, unlocking more detailed molecular phenotyping, leading to richer insights into cellular interactions and disease. However, high-plex imaging can be slower and more costly to collect, limiting its applications, especially in clinical settings. We propose a machine learning framework, 7-UP, that can computationally generate in silico 40-plex CODEX at single-cell resolution from a standard 7-plex mIF panel by leveraging cellular morphology. We demonstrate the usefulness of the imputed biomarkers in accurately classifying cell types and predicting patient survival outcomes. Furthermore, 7-UP’s imputations generalize well across samples from different clinical sites and cancer types. 7-UP opens the possibility of in silico CODEX, making insights from high-plex mIF more widely available.