Новый инструментарий для анализа пространственной транскриптомики на основе глубокого обучения
Биологи и медики используют технологии пространственной транскриптомики (ST) для определения уровней транскрипции в клетках, предсказания типов клеток и построения трехмерной (3D) структуры ткани. Однако анализ может быть затруднен при работе с несколькими срезами ткани, которые необходимо анализировать совместно с помощью современных инструментов. Вручную собирать срезы и строить 3D-структуру — сложная задача.
Чтобы решить эту проблему, исследовательская группа под руководством профессора Цю Куня из Научно-технического университета Китая (USTC) Академии наук Китая (CAS) разработала новый инструмент SPACEL (Spatial Architecture Characterization by Deep Learning). С помощью трех модулей — Spoint, Splane и Scube — SPACEL может автоматически строить 3D-панораму тканей.
Результаты исследования опубликованы в журнале Nature Communications.
Три модуля предназначены для трех основных задач анализа ST:
- Spoint выполняет деконволюцию типов клеток для предсказания их пространственного распределения. Комбинация смоделированных псевдоспотов, нейросетевого моделирования и статистического восстановления профилей экспрессии обеспечивает надежность и точность предсказания.
- Splane использует подход графовых сверточных сетей и алгоритм обучения с противником для идентификации пространственных доменов путем совместного анализа нескольких срезов ST.
- Scube автоматически выравнивает срезы и строит послойную 3D-архитектуру ткани.
Исследователи применили SPACEL к 11 наборам данных ST, в общей сложности 156 срезов, с использованием таких технологий, как 10X Visium, STARmap, MERFISH, Stereo-seq и Spatial Transcriptomics. SPACEL продемонстрировал превосходную производительность по сравнению с другими методами в трех ключевых аналитических задачах: предсказание распределения типов клеток, идентификация пространственных доменов и реконструкция трехмерных структур тканей.
Это исследование предоставляет ценный интегрированный инструментарий для обработки и анализа данных ST, что будет способствовать дальнейшим исследованиям с использованием этих технологий.