Инструмент интегративного анализа превращает пространственное РНК-секвенирование в формирователь изображений
Пространственная транскриптомика — это передовая методика, характеризующая экспрессию генов в срезах тканей (сердце, кожа, печень). Эти «снимки» дают представление о том, как пространственная организация влияет на функции клеток в биологии и при заболеваниях.
До сих пор исследователям приходилось выбирать между двумя опциями: полногеномным охватом или разрешением на уровне одной клетки. Чтобы решить эту проблему, учёные из Детской исследовательской больницы Сент-Джуд и Университета Висконсин-Мэдисон создали вычислительный инструмент, который использует генеративный искусственный интеллект (ИИ) для повышения разрешения пространственной транскриптомики на основе секвенирования, не жертвуя охватом генов.
Алгоритм и первые результаты опубликованы в Nature Methods.
«Мы создали первый генеративный алгоритм, способный предсказывать пространственную экспрессию генов всего транскриптома на уровне одной клетки», — говорит соавтор и руководитель исследования Цзиян Ю. «Ключ — в использовании информации из атласов одноклеточного РНК-секвенирования и данных гистологических изображений с помощью этого подхода генеративного моделирования, что даёт полный охват транскриптома и разрешение одной клетки».
Новый инструмент, Spot imager with pseudo single-cell resolution histology (Spotiphy), использует алгоритм машинного обучения для значительного улучшения обычных технологий пространственной транскриптомики. Эти технологии анализируют предопределённые «споты» (точки) на сетке для захвата экспрессии генов. Каждый спот обычно содержит несколько, часто гетерогенных клеток, что затрудняет их классификацию и анализ на уровне одной клетки.
Spotiphy использует машинное обучение для экстраполяции пропорций типов клеток и данных об экспрессии генов, чтобы заполнить пространство между «спотами». Программа знает, чем заполнить эти пробелы, потому что обучалась на обширных базах данных пространственной транскриптомики в паре с гистологическими изображениями.
«Представьте картинку руки, у которой отсутствует середина. Алгоритм усвоил общие правила из обучения, чтобы он мог импутировать недостающую часть — например, восстановить, как должна выглядеть ладонь, или, в реальности, пространство между точками визуализации», — объясняет соавтор Цзюньминь Пэн.
Spotiphy находит новые инсайты в данных пространственной транскриптомики
Применённый к модели болезни Альцгеймера у мышей, Spotiphy подтвердил результаты предыдущих исследований, подтвердив способность инструмента точно определять местоположение клеток и паттерны экспрессии генов.
Кроме того, исследователи использовали Spotiphy в новых экспериментах и обнаружили, что подмножества астроцитов связаны с определёнными областями мозга. Они также обнаружили, что ассоциированные с болезнью микроглии (редкий тип иммунных клеток) в большем количестве присутствовали в мозге, поражённом Альцгеймером, что подтверждает предыдущие данные об их возможной роли в заболевании.
«Реальная сила этого алгоритма — в способности различать тонкие различия внутри одного и того же типа клеток, которые предыдущие технологии не могли обнаружить. Например, идентификация субпопуляций астроцитов, расположенных в определённых областях мозга», — отмечает Ю.
Результаты не ограничились нейробиологией. Учёные также показали, что Spotiphy можно использовать для анализа других тканей, включая образцы рака. Инструмент успешно идентифицировал различные пространственные домены и изменения во взаимодействиях опухоль–микроокружение.
«Мы увидели, что данные отражают известную гетерогенность рака молочной железы», — говорит соавтор Цзиюань Ян. «Мы также вложили значительные усилия в создание согласованных наборов данных для мозга мыши, которые, как мы считаем, станут ценным ресурсом для сообщества пространственной омики».
«Мы создали инструмент, который может разрешать одноклеточную пространственную транскриптомику любой заданной ткани. Другими словами, Spotiphy позволяет учёным увидеть то, что они не могли видеть раньше», — заключает Ю.
Spotiphy находится в свободном доступе на GitHub.