hoodscanR: profiling single-cell neighborhoods in spatial transcriptomics data

Das Bioconductor-Paket hoodscanR ermöglicht die präzise Identifizierung und Analyse zellulärer Nachbarschaften in räumlichen Transkriptomdaten, um subtile transkriptionelle Veränderungen in Tumorzellen aufzudecken und neue Einblicke in Krankheitsmechanismen zu gewinnen.

Das Wesentliche

Stellen Sie sich vor, Sie betreten einen riesigen, belebten Stadtpark. In der klassischen Biologie (wie bei herkömmlichen RNA-Sequenzierung) wäre es so, als würde man eine große Menge an Müll aus dem Park sammeln, alles in einen Mixer werfen und dann analysieren, welche Pflanzenarten und Tiere darin waren. Man weiß also, dass es Eichen, Eichhörnchen und Bienen gibt, aber man weiß nicht, wo sie sich befinden oder wer mit wem spricht.

Die räumliche Transkriptomik (eine neue Technologie) ist wie ein hochauflösendes Foto des Parks. Man sieht genau, wo jede einzelne Eiche und jedes Eichhörnchen steht. Aber hier liegt das Problem: Die meisten Analyse-Tools behandeln dieses Foto wie eine einfache Liste. Sie fragen: "Wie viele Eichhörnchen gibt es?" statt: "Wer sitzt auf welchem Ast und mit wem redet er?"

Hier kommt hoodscanR ins Spiel. Der Name ist ein Wortspiel: "Hood" steht für "Neighborhood" (Nachbarschaft) und "scan" für das Durchsuchen. Man könnte es sich als einen intelligenten, digitalen Stadtplaner vorstellen.

Was macht hoodscanR eigentlich?

Stellen Sie sich vor, Sie sind ein einzelner Bürger in dieser Stadt (also eine Zelle im Gewebe). Früher haben Tools gesagt: "Du bist in der 'Eichhörnchen-Nachbarschaft'." Aber das war oft zu grob. Vielleicht wohnen Sie genau an der Grenze, wo Eichhörnchen und Bienen sich die Hand geben. Frühere Tools hätten Sie entweder als Eichhörnchen oder als Biene eingestuft, aber nicht beides.

hoodscanR ist anders. Es sagt: "Okay, du wohnst zu 60 % in der Eichhörnchen-Nachbarschaft und zu 40 % in der Bienen-Nachbarschaft." Es erkennt also Mischgebiete. Es versteht, dass das Leben (und das Gewebe) selten schwarz-weiß ist, sondern voller Grautöne und Überlappungen.

Die drei großen Stärken (in einfachen Bildern)

1. Der "Wahrheitsfinder" für Nachbarschaften:
   Viele andere Programme versuchen, das Gewebe in starre Blöcke zu teilen (wie ein Schachbrett). hoodscanR hingegen malt ein farbenfrohes, fließendes Bild. Es erkennt, dass eine Zelle nicht nur "dort" ist, sondern eine persönliche Beziehung zu ihren Nachbarn hat. Es berechnet eine Art "Wahrscheinlichkeits-Karte": Wie wahrscheinlich ist es, dass diese Zelle mit einer bestimmten Zellart befreundet ist?

2. Der "Super-Schnell-Scanner":
   Die Autoren haben hoodscanR gegen andere bekannte Tools getestet (wie Squidpy oder Giotto). Das Ergebnis? hoodscanR ist nicht nur genauer, sondern auch 21-mal schneller. Stellen Sie sich vor, Sie müssten einen ganzen Kontinent kartieren. Andere Tools brauchen dafür einen ganzen Tag und viel Energie; hoodscanR schafft es in wenigen Minuten. Das ist entscheidend, da moderne Mikroskope riesige Datenmengen produzieren.

3. Der "Detektiv für geheime Veränderungen":
   Das ist vielleicht das Coolste: hoodscanR kann zeigen, wie sich eine Zelle verändert, nur weil ihre Nachbarn anders sind.

   • Beispiel aus dem Papier: Die Forscher haben Lungenkrebszellen untersucht. Sie stellten fest: Eine Krebszelle sieht genetisch fast gleich aus, egal wo sie ist. ABER: Wenn sie in der Nähe von Immunzellen (B-Zellen) wohnt, verändert sie ihre "Stimmung" (ihre Gen-Aktivität). Sie wird aggressiver oder resistenter gegen Medikamente. hoodscanR kann diese feinen Unterschiede aufspüren, die andere Tools übersehen würden. Es ist, als würde man erkennen, dass ein Mensch anders spricht, wenn er in einer lauten Bar ist, als wenn er in einer Bibliothek ist.

Warum ist das wichtig?

In der Krebsforschung ist das Umfeld (die "Nachbarschaft") oft wichtiger als die Zelle selbst. Ein Tumor, der von Immunzellen umgeben ist, verhält sich anders als einer, der isoliert ist.

• Früher: "Wir haben Krebszellen gefunden."
• Mit hoodscanR: "Wir haben Krebszellen gefunden, die in einer 'Bienen-Nachbarschaft' wohnen und deshalb eine spezielle Schutzstrategie entwickelt haben."

Das hilft Ärzten und Forschern, bessere Therapien zu entwickeln, die genau diese "Nachbarschaften" angreifen, statt nur die Krebszellen selbst zu bombardieren.

Zusammenfassung

hoodscanR ist ein neues, schnelles und flexibles Werkzeug für Biologen. Es verwandelt statische Karten von Zellen in lebendige, dynamische Nachbarschaftsberichte. Es sagt uns nicht nur, wer im Gewebe ist, sondern wer mit wem wohnt, wie sie sich gegenseitig beeinflussen und warum manche Zellen in bestimmten Vierteln anders funktionieren als in anderen.

Es ist wie der Unterschied zwischen einer einfachen Einwohnerliste und einem tiefen Verständnis der sozialen Dynamik einer ganzen Stadt.

Technische Zusammenfassung

Problemstellung

Die räumliche Transkriptomik (Spatial Transcriptomics) hat sich als transformative Technologie etabliert, die über traditionelle Bulk- und Einzelzell-RNA-Sequenzierung (scRNA-seq) hinausgeht, indem sie die räumliche Kontextinformation von Gewebe erhält. Trotz des Potenzials dieser Technologien fehlt es oft an geeigneten bioinformatischen Methoden, um die komplexen zellulären Umgebungen (Nischen oder „Neighborhoods") vollständig zu nutzen.
Bestehende Werkzeuge (wie Squidpy, Giotto, Seurat, BayesSpace) weisen mehrere kritische Einschränkungen auf:

1. Fehlende partielle Mitgliedschaft: Viele Methoden weisen Zellen nur einer einzigen Domäne oder einem einzigen Nachbarschaftstyp zu. Sie können keine Zellen erfassen, die sich in gemischten Umgebungen befinden (z. B. eine Zelle, die sowohl B-Zellen als auch Stromazellen als Nachbarn hat).
2. Fehlende zelluläre Profilierung: Es mangelt an Tools, die detaillierte Nachbarschaftsprofile auf Einzelzell-Ebene generieren.
3. Unzureichende Auflösung: Bestehende Ansätze erfassen oft nicht die feinen Nuancen der Zusammensetzung des Tumormikromilieus (TME).

Methodik: hoodscanR

Als Antwort darauf wurde hoodscanR, ein Bioconductor-R-Paket, entwickelt. Der Kern des Algorithmus besteht aus folgenden Schritten:

1. Approximate Nearest Neighbor (ANN) Suche:
   • HoodscanR nutzt einen k-dimensionalen Baum (k-d tree), um effizient die $k$-nächsten Nachbarn für jede Zelle basierend auf ihren räumlichen Koordinaten zu identifizieren.
2. Berechnung der Nachbarschaftswahrscheinlichkeit:
   • Anstatt Zellen starr zu kategorisieren, berechnet hoodscanR eine Wahrscheinlichkeitsverteilung für jede Zelle bezüglich verschiedener Nachbarschaftstypen (definiert durch Benutzer-Annotationen wie Zelltypen oder Genexpressionsmuster).
   • Dies geschieht mittels einer Softmax-Funktion, die durch einen Hyperparameter $\tau$ (Tau) gesteuert wird. $\tau$ reguliert den Einfluss entfernter Nachbarn:
     • Kleines $\tau$: Stärkerer Fokus auf lokale Interaktionen.
     • Großes $\tau$: Einbeziehung globalerer räumlicher Beziehungen.
   • Das Ergebnis ist eine Wahrscheinlichkeitsmatrix $P$, in der jeder Eintrag $p_{ij}$ die Wahrscheinlichkeit angibt, dass Zelle $i$ in der Nachbarschaft $j$ (z. B. „B-Zell-Nachbarschaft") liegt. Dies ermöglicht partielle Mitgliedschaften (eine Zelle kann zu 60 % in einer B-Zell-Nachbarschaft und zu 40 % in einer Stromal-Nachbarschaft sein).
3. Metriken und Unsicherheit:
   • Perplexity: Eine Metrik, die auf der Shannon-Entropie basiert, um die Vielfalt/Komplexität der Nachbarschaft einer Zelle zu quantifizieren. Hohe Perplexity deutet auf eine heterogene Umgebung hin.
   • Permutationstest: Ein empirischer Test zur Bewertung der statistischen Signifikanz der beobachteten Perplexity-Werte.
4. Downstream-Analysen:
   • Unüberwachtes Clustering (K-Means) der Nachbarschaftsverteilungen, um räumliche Domänen zu identifizieren.
   • Ko-Lokalisierungsanalysen (Korrelation zwischen Nachbarschaftstypen).
   • Differentielle Expressionsanalyse (DE) basierend auf räumlichen Nachbarschaften (z. B. Vergleich von Tumorzellen in verschiedenen Nachbarschaften).

Hauptbeiträge und Innovationen

• Partielle Mitgliedschaft auf Einzelzell-Ebene: HoodscanR ist das erste Werkzeug, das Zellen die Möglichkeit gibt, mehreren Nachbarschaftstypen gleichzeitig mit unterschiedlichen Wahrscheinlichkeiten zugeordnet zu werden.
• Zelluläre Nachbarschaftsprofile: Generierung detaillierter Profile für jede einzelne Zelle, was eine tiefgehende Charakterisierung des räumlichen Kontexts ermöglicht.
• Plattformunabhängigkeit: Das Tool ist kompatibel mit verschiedenen räumlichen Plattformen (Nanostring CosMx, 10X Genomics Xenium, MERFISH, STARmap, Visium HD) und nutzt die SpatialExperiment-Infrastruktur von Bioconductor.
• Flexibilität bei Annotationen: Es kann nicht nur Zelltypen, sondern auch Genexpressions-basierte Gruppen (z. B. Hormonrezeptor-Status) als Grundlage für Nachbarschaften verwenden.

Ergebnisse

Die Autoren validierten hoodscanR an mehreren öffentlichen Datensätzen:

1. Benchmarking der räumlichen Domänen-Identifikation:
   • HoodscanR wurde gegen sieben andere State-of-the-Art-Methoden (Banksy, BayesSpace, SpaGCN, Utag, etc.) auf 16 Datensätzen getestet.
   • Ergebnis: HoodscanR erzielte den höchsten Durchschnitts-Score (basierend auf ARI, NMI, Purity, Homogeneity) und war dabei ca. 21-mal schneller als die zweitbeste Methode (Banksy).
   • Es konnte die konzentrische Schichtung des Mausdarms (Mukosa, Submukosa, Muscularis externa) präziser nachbilden als andere Tools.
2. Anwendung in der Krebsforschung (Brustkrebs & NSCLC):
   • In Brustkrebs- und NSCLC-Datensätzen identifizierte hoodscanR subtile Nachbarschaften, die mit dem Immunstatus korrelierten (z. B. B-Zell-reiche Umgebungen, die oft mit besseren Therapieergebnissen assoziiert sind).
   • Es zeigte, dass Tumorzellen je nach ihrer Nachbarschaft (z. B. umgeben von Makrophagen vs. Stromazellen) unterschiedliche transkriptionelle Profile aufweisen.
   • Differential Expression: Tumorzellen in Makrophagen-Nachbarschaften zeigten eine Hochregulierung von Kollagen-Genen (z. B. COL11A1, COL1A1), die mit schlechter Prognose und Medikamentenresistenz in Verbindung gebracht werden.
3. Gen-Expressions-basierte Nachbarschaften:
   • In einem Xenium-Brustkrebs-Datensatz wurden Nachbarschaften basierend auf Hormonrezeptoren (ER, PR, AR) definiert. HoodscanR konnte räumliche Muster aufdecken, die den Übergang von DCIS (nicht-invasiv) zu invasivem Karzinom widerspiegeln (z. B. AR-Expression in DCIS-Rändern).
   • Im Mausgehirn-Datensatz (Visium HD) wurden neuronale Subtypen basierend auf Marker-Genen erfolgreich in räumliche Domänen unterteilt, wobei Unterschiede in der Synapsenplastizität zwischen Nachbarschaften identifiziert wurden.

Bedeutung und Fazit

HoodscanR schließt eine kritische Lücke in der Analyse räumlicher Transkriptomik-Daten. Durch die Fähigkeit, partielle Nachbarschaftszugehörigkeiten und zelluläre Profile zu erfassen, ermöglicht es Forschern, die komplexe Architektur des Tumormikromilieus (TME) und anderer Gewebe mit bisher unerreichter Präzision zu verstehen.

• Klinische Relevanz: Die Identifikation spezifischer Nachbarschaften (z. B. solche mit Tertiären Lymphoidstrukturen) kann neue Einblicke in Therapieansprechen und Resistenzmechanismen liefern.
• Technologische Fortschritte: Die hohe Recheneffizienz macht das Tool skalierbar für die zunehmend großen Datensätze moderner räumlicher Omics-Plattformen.
• Zukunftsausblick: HoodscanR dient als robustes Fundament für die Integration mit anderen Analysen (z. B. Zell-Zell-Kommunikation) und fördert das Verständnis der räumlichen Organisation biologischer Prozesse in Gesundheit und Krankheit.