Бенчмаркинг методов интеграции транскриптомики для прогнозирования распределения транскриптов и деконволюции типов клеток

Исследовательская группа под руководством профессора Цю Куня из Научно-технического университета Китая провела бенчмаркинг 16 методов интеграции пространственной и одноклеточной транскриптомики для прогнозирования распределения транскриптов и деконволюции типов клеток. Результаты опубликованы в Nature Methods.

Пространственное расположение клеток в тканях и органах критически важно для выполнения их функций. Современные методы пространственной транскриптомики имеют недостатки: подходы на основе секвенирования нового поколения не позволяют проводить одноклеточную деконволюцию спотов, а методы на основе гибридизации in situ и флуоресцентной микроскопии ограничены в общем количестве детектируемых РНК-транскриптов.

Для решения этих проблем были разработаны методы интеграции пространственных транскриптомных данных с данными одноклеточной РНК-секвенирования (scRNA-seq). Они позволяют прогнозировать пространственное распределение недетектированных транскриптов и/или проводить деконволюцию типов клеток в гистологических срезах. Однако разнообразие принципов работы и областей применения затрудняло выбор оптимального метода.

В данном исследовании учёные провели бенчмаркинг 16 методов интеграции на 45 парных наборах данных (пространственная транскриптомика + scRNA-seq) и 32 симулированных наборах данных, оценивая точность, устойчивость и потребление вычислительных ресурсов.

Ключевые результаты:

• Для деконволюции типов клеток лучшими методами оказались Cell2location, SpatialDWLS и Robust Decomposition of Cell Type (RCTD).
• Для прогнозирования пространственного распределения РНК-транскриптов отличные результаты показали Tangram, gimVI и Spatial Gene Enhancement (SpaGE).
• Для обработки крупномасштабных данных высокой вычислительной эффективностью обладают Tangram, Seurat и Linked Inference of Genomic Experimental Relationships (LIGER).

Исследование систематизирует атрибуты, производительность и применимость каждого метода, а также преимущества наиболее эффективных алгоритмов. Команда также разместила процесс бенчмаркинга на GitHub, чтобы помочь исследователям выбирать оптимальные методы для обработки своих данных.