Интеграция данных пространственной транскриптомики и секвенирования РНК единичных клеток: цели и методы

Пространственные транскриптомные технологии обнаруживают транскрипты РНК в тканях. Методы, основанные на гибридизации in situ и флуоресцентной микроскопии (seqFISH, osmFISH, MERFISH), позволяют обнаруживать транскрипты с точностью до единичной клетки, но общее количество транскриптов, которое можно выявить, ограниченно. Подходы пространственной транскриптомики, основанные на секвенировании следующего поколения (NGS), такие как ST, 10X Visium, BGI Stereo-seq и Slide-seq, имеют противоположное ограничение — они исследуют весь транскриптом в той или иной точке, но каждая точка может содержать несколько клеток, то есть пространственное разрешение хуже, чем у визуальных методов.

 Принцип пространственной транскриптомики. James Chell | CC BY-SA 4.0

Чтобы преодолеть эти проблемы, создаются биоинформатические методы, объединяющие два типа данных — данные пространственной транскриптомики и секвенирования РНК единичных клеток (scRNA-seq; к ним относятся, например, Drop-seq, Smart-seq и 10X Chromium). Такие интегративные методы позволяют прогнозировать пространственное распределение транскриптов, не обнаруженных методами пространственной транскриптомики, и (или) выполнять деконволюцию типов клеток в точках на гистологических срезах. Однако до сих пор не было независимых попыток сравнить производительность различных методов интеграции.

Исследователи из Университета науки и технологии Китая выполнили сравнение 16 методов интеграции с использованием 45 парных наборов данных (данные пространственной транскриптомики и scRNA-seq) из опубликованных исследований и 32 смоделированных наборов данных. Они также оценили потребляемые вычислительные ресурсы.

По оценкам авторов, некоторые из методов (Tangram, gimVI, SpaGE)лучше подходят для предсказания пространственного распределения транскриптов РНК, в то время как другие (Cell2location, SpatialDWLS, RCTD) — для деконволюции клеточных типов в точках. Однако производительность метода в любом случае зависит от плотности матрицы экспрессии в методе пространственной транскриптомики.

«Наше исследование помогает ученым выбирать подходящие инструменты и оптимизировать рабочие процессы анализа данных для точной и эффективной интеграции данных пространственной транскриптомики с данными scRNA-seq», — пишут авторы.