Новый фреймворк на основе глубокого обучения улучшает анализ тканей в пространственной транскриптомике

Понимание пространственного расположения клеток в тканях важно для изучения их взаимодействия и патологий, таких как рак. Методы пространственной транскриптомики (ST) позволяют картировать активность генов, сохраняя структуру ткани.

Однако идентификация различных регионов ткани на основе генной активности остаётся сложной задачей. Существующие методы плохо балансируют генетические данные с пространственной организацией или сталкиваются с проблемами при сравнении данных из разных экспериментов.

Чтобы решить эти проблемы, исследовательская группа под руководством профессора Кенты Накаи из Института медицинских наук Токийского университета разработала фреймворк глубокого обучения Spatial Transcriptomics Analysis via Image-Aided Graph Contrastive Learning (STAIG).

Исследование, опубликованное в Nature Communications в 2025 году, представляет STAIG — фреймворк, который интегрирует данные об экспрессии генов, пространственные данные и гистологические изображения без необходимости ручного выравнивания.

Как работает STAIG:

• Обрабатывает гистологические изображения, сегментируя их на небольшие участки и извлекая признаки с помощью самообучаемой модели.
• Строит графовую структуру, где узлы представляют данные об экспрессии генов, а рёбра отражают пространственную смежность.
• Использует графовое контрастное обучение для выявления ключевых пространственных признаков и сопоставления паттернов экспрессии генов с конкретными регионами ткани.

«STAIG использует надежную архитектуру модели и дополнительные данные изображений для достижения высокой точности идентификации пространственных доменов, а также позволяет проводить интеграцию данных без необходимости выравнивания срезов ткани или выполнения ручных корректировок», — поясняет Накаи.

Результаты тестирования:

• STAIG продемонстрировал превосходную производительность по сравнению с другими современными методами ST, включая случаи отсутствия пространственного выравнивания или гистологических изображений.
• В наборах данных по раку молочной железы человека и меланоме рыбки данио STAIG успешно идентифицировал пространственные регионы с высоким разрешением, включая сложные области, и точно очертил границы опухолей и переходные зоны.

Исследователи возлагают большие надежды на потенциал своего фреймворка. «STAIG ускорит использование данных пространственной транскриптомики для понимания сложных структур биологических систем, включая взаимодействие между раковыми клетками и окружающими их клетками и формирование органов у развивающихся эмбрионов», — заключает Накаи.