Ускоренный метод визуализации данных РНК: от точечного снимка к общей картине

Значительное математическое обновление формулы популярного метода визуализации биоинформатических данных позволит исследователям создавать «снимки» экспрессии генов в единичных клетках в несколько раз быстрее и с более высоким разрешением. Эта инновация математиков из Йельского университета, опубликованная в Nature Methods, сократит время визуализации набора данных single-cell RNA-sequencing (scRNA-seq) с миллионом точек с более чем трёх часов до всего пятнадцати минут.

Существующий метод t-distributed Stochastic Neighborhood Embedding (t-SNE), которому уже десять лет, отлично представляет паттерны в данных scRNA-seq в двух измерениях. «В этом контексте t-SNE "организует" клетки по экспрессируемым ими генам и использовался для открытия новых типов и состояний клеток», — пояснил ведущий автор Джордж Линдерман.

По вычислительным стандартам t-SNE работает довольно медленно. Поэтому исследователи часто «даунсемплят» свои наборы scRNA-seq — берут меньшую выборку из исходной — перед применением t-SNE. Однако даунсемплинг — плохой компромисс, так как снижает вероятность того, что t-SNE обнаружит редкие популяции клеток, которые часто и представляют наибольший интерес.

Более 30 лет назад другая команда математиков из Йеля разработала быстрый мультипольный метод (fast multipole method, FMM) — революционную численную технику, ускорившую расчёт дальнодействующих сил в задаче N тел. Авторы текущего исследования поняли, что принципы FMM можно применить и к проблемам нелинейного снижения размерности, таким как t-SNE, и ускорили его, дав ему новое имя: FIt-SNE (fast interpolation-based t-SNE).

«Используя наш подход, исследователи могут не только быстрее анализировать данные scRNA-seq, но и характеризовать редкие субпопуляции клеток, которые невозможно обнаружить при даунсемплинге данных перед t-SNE», — сказал старший автор Юваль Клугер. Команда также использовала для визуализации результатов FIt-SNE тепловые карты, что позволяет исследователям одновременно видеть паттерны экспрессии тысяч генов на уровне единичных клеток.

По словам учёных, 2019 год — идеальное время для того, чтобы t-SNE стал «FIt». В декабре 2018 года журнал Science назвал прорывом года отслеживание развития эмбрионов клетка за клеткой — что невозможно без визуализаций на основе данных scRNA-seq. FIt-SNE ускорит дальнейшую работу в этой области биологии развития, а также в нейробиологии и исследованиях рака, где секвенирование единичных клеток стало бесценным инструментом для картирования мозга и изучения опухолей.