Mit einer 36-mal höheren Auflösung als die ursprüngliche Auflösung nutzten Teams der Beihang-Universität und der Tsinghua-Universität KI, um Gewebe mit hoher Auflösung auf einer Multi-Space-Omics-Plattform zu charakterisieren, veröffentlicht im Nature-Unterjournal

Spatial Omics Data Enhancement Framework soScope

1. Einführung

Spatial Omics hat den Umfang der molekularen Klassenanalyse erweitert, aber viele Techniken sind durch die räumliche Auflösung begrenzt. Bestehende Berechnungsmethoden zielen hauptsächlich auf transkriptomische Daten ab und sind nicht an neue räumliche Omics-Technologien anpassbar.

2. soScope-Framework

Forscher der Beihang-Universität und der Tsinghua-Universität schlugen soScope vor, ein einheitliches Generations-Framework, das die Qualität und Auflösung räumlicher Omics-Daten verbessern soll.

3. Technisches Prinzip

soScope fasst multimodale Gewebeinformationen aus Omics, räumlichen Beziehungen und Bildern zusammen. Geben Sie Omics-Spektren mit verbesserter Auflösung durch gemeinsame Inferenz von Verteilungsprioritäten und Omics-spezifischer Modellierung aus.

4. Leistungsbewertung

soScopes Bewertungsergebnisse für Visium, die Feinstruktur des embryonalen Herzens

Korrigiert um Proben- und technische Verzerrungen
• 5. Erweiterte Anwendungen

soScope wurde auf Spatial-CITE-Seq und Spatial-ATAC-RNA-Seq erweitert und nutzt Cross-Omics-Referenzen für Multi-Omic-Verstärkung.

6. Fazit

soScope bietet ein vielseitiges Tool, das die Nutzung räumlicher Omics-Technologie und -Ressourcen verbessert.

7. Referenz

Diese Forschung wurde am 2. August 2024 in „Nature Communications“ unter dem Titel „Gewebecharakterisierung mit erhöhter Auflösung über räumliche Omics-Plattformen mit tiefem generativem Modell“ veröffentlicht.

Gewebe-Raum-Omics-Technologie

Gewebe bestehen aus Zellen mit unterschiedlichen molekularen Zuständen und räumlichen Organisationen. Die räumliche Omics-Technologie hat in den letzten Jahren erhebliche Fortschritte gemacht und ermöglicht die räumliche Analyse verschiedener Molekülklassen unter Beibehaltung des räumlichen Kontexts.

Herausforderungen und Lösungen

Trotz erster Erfolge steht die Spatial-Omics-Technologie immer noch vor zwei großen Herausforderungen:

Gefrorenes oder formalinfixiertes Gewebe kann den molekularen Zustand beeinflussen und die Sequenzierungsgenauigkeit verringern.

Die meisten Techniken haben eine begrenzte räumliche Auflösung, was es schwierig macht, subtile Heterogenitäten in der Gewebestruktur aufzudecken.

1. Computertechnologie kann die Auflösung räumlicher Omics-Daten verbessern, aber die meisten aktuellen Methoden zielen nur auf eine einzige Gewebemodalität ab, was es schwierig macht, multimodale Informationen vollständig zu nutzen.
2. soScope: Verbesserung der räumlichen Auflösung und Datenqualität

Forschungsteams der Beihang-Universität und der Tsinghua-Universität stellen Spatiomic Scope (soScope) vor, ein vollständig generatives Framework, das Daten auf Punktebene aus verschiedenen räumlichen Omics-Technologien simuliert ihre räumliche Auflösung und Datenqualität verbessern.

soScope behandelt jeden Punkt als eine Sammlung von „Unterpunkten“ mit verbesserter räumlicher Auflösung, deren Omics-Eigenschaften mit der räumlichen Lage und morphologischen Mustern zusammenhängen. SoScope verwendet dann ein multimodales Deep-Learning-Framework, um Spot-Omics-Profile, räumliche Beziehungen und hochauflösende Morphologiebilder zu integrieren und gemeinsam Omics-Profile mit Sub-Spot-Auflösung abzuleiten. Durch die Auswahl omics-spezifischer Verteilungen kann soScope die Variation verschiedener räumlicher Omics-Daten genau modellieren und reduzieren.

Abbildung:

Überblick über soScope und seine Anwendungen. (Quelle: Papier)

soScope-Funktionen:

Einheitliches Tool, kombiniert mit multimodalen GewebekartenVerbesserte Omics-Karten (verschiedene Molekülklassen)

Verbesserung der räumlichen Auflösung
1. Reduzierung unnötiger Änderungen
2. Charakterisierung Komplexes Gewebe Strukturen (bei nativer Auflösung nicht erkennbar)
4. Abbildung: Auswertung von soScope anhand räumlicher Transkriptomik-Datensätze aus mehreren Geweben und Plattformen. (Quelle: Papier)

5. Das Team hat die Wirksamkeit und Generalisierbarkeit von soScope für mehrere Molekültypen, die mit mehreren räumlichen Techniken analysiert wurden, umfassend bewertet, darunter Visium, Xenium, Spatial-CUT&Tag, Slide-DNA-Seq, Slide-RNA-Seq, Spatial-CITE -seq und räumliche ATAC-RNA-seq.

   In gesunden und erkrankten Geweben verbessert soScope die Identifizierung von Gewebedomänen, erhöht die Differenzierbarkeit bekannter Marker und korrigiert Daten und technische Verzerrungen. Die Methode ist in der Lage, feinere Gewebestrukturen mit einer bis zu 36-mal höheren Auflösung als die ursprüngliche Auflösung sichtbar zu machen. Es kann räumliche Multi-Omics-Daten effizient anpassen, um gleichzeitig Multi-Omics-Profile zu verbessern.

Forscher stellen fest, dass es mehrere bildbasierte räumliche Omics-Technologien wie seqFISH, STARmap und MERFISH gibt, die eine räumliche Analyse direkt mit Einzelzellauflösung durchführen können, allerdings auf Kosten eines geringeren Omics-Durchsatzes und kleinerer Gewebebereiche. Obwohl soScope erweiterte Profile für vorab festgelegte Subspot- oder Zellstandorte bereitstellt, erreicht es möglicherweise keine subzelluläre Auflösung.



Abbildung:Anwenden von Multi-Omics-soScope auf einen räumlichen Protein- und Transkriptdatensatz aus menschlichem Hautgewebe mithilfe räumlicher CITE-seq. (Quelle: Papier)

Auflösung weiter verbessern:

• SoScope so ändern, dass gepaarte Einzelzell-Omics-Daten aus demselben Gewebe einbezogen werden, wodurch Informationen mit höherer Auflösung für die Unterpunktinferenz bereitgestellt werden.
• Integrieren Sie H&E-Bilder als Eingabe, die von menschlichen Experten in bestimmten klinischen Studien leicht mit Anmerkungen versehen werden können.
• Ändern Sie soScope, um menschliche Bezeichnungen zu integrieren und die hintere Schlussfolgerung auf halbüberwachte Weise zu steuern, wodurch die latente Darstellung und das Profillernen verbessert werden.

Rechenkosten reduzieren:

Bei größeren Datensätzen, die mehrere zusammenhängende Schichten desselben Organs enthalten, kann soScope:

• Auf Teildaten trainieren.
• Auf verbleibende Gewebeabschnitte auftragen.

Potenzial:

Mit der kontinuierlichen Erweiterung der räumlichen Omics-Datenressourcen und dem Aufkommen neuer räumlicher Technologien glauben Forscher, dass soScope das folgende Potenzial hat:

• Ein vielseitiges Werkzeug.
• Machen Sie räumliche Omics-Daten voll aus.
• Verbessern Sie das Verständnis der Wissenschaftler für komplexe Gewebestrukturen und biologische Prozesse.

Papierlink:
https://www.nature.com/articles/s41467-024-50837-5

Das obige ist der detaillierte Inhalt vonMit einer 36-mal höheren Auflösung als die ursprüngliche Auflösung nutzten Teams der Beihang-Universität und der Tsinghua-Universität KI, um Gewebe mit hoher Auflösung auf einer Multi-Space-Omics-Plattform zu charakterisieren, veröffentlicht im Nature-Unterjournal. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!