Scale-resolved correlation functions unify spatial omics across platforms and resolutions
Das Papier stellt SCOTE vor, ein skalierbares computergestütztes Framework, das die räumliche Omics-Analyse über verschiedene Plattformen und Auflösungen hinweg vereinheitlicht, indem es räumliche Korrelationen auf allen Längenskalen quantifiziert, wodurch biologische Signale von plattformspezifischen Artefakten unterschieden werden und eine effiziente, hochdurchsatzfähige Verarbeitung massiver Datensätze ermöglicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, den Grundriss einer belebten Stadt zu verstehen. Sie könnten die Menschen zählen, die an jeder Straßenecke stehen, Sie könnten sie in Stadtviertel gruppieren, oder Sie könnten einfach notieren, wo sich jede einzelne Person in einem bestimmten Moment befindet. In der räumlichen Biologie (Spatial Biology) machen Wissenschaftler etwas Ähnliches, aber anstatt einer Stadt kartieren sie das Innere von lebendem Gewebe. Jahrelang haben Forscher verschiedene Werkzeuge verwendet, um diese Karten zu erstellen. Einige Werkzeuge fungieren wie hochauflösende Kameras, die Bilder einzelner Moleküle genetischen Materials machen, die in Zellen schweben. Andere wirken wie ein Gitter aus Eimern, die auffangen und zählen, wie viele Moleküle in jedem Quadrat landen. Das Problem ist, dass diese Werkzeuge unterschiedliche Sprachen sprechen. Eine Karte, die von einer Kamera erstellt wurde, kann nicht einfach mit einer Karte verglichen werden, die von einer anderen Kamera erstellt wurde, oder mit einer gitterbasierten Zählung, da die Methoden zur Analyse der Daten spezifisch für das jeweilige Werkzeug entwickelt wurden. Dies hat es schwierig gemacht, das große Ganze zu sehen oder Ergebnisse aus verschiedenen Studien zu kombinieren, um universelle Wahrheiten darüber zu finden, wie Gewebe organisiert sind.
Ein Team von Forschern am Gene Center München hat einen neuen Weg entwickelt, diese Karten zu betrachten, der eine einzige, gemeinsame Sprache spricht. Sie entwickelten einen computergestützten Rahmen namens SCOTE, was für „Spatial COvariance TEnsors“ steht. Anstatt die Daten in vordefinierte Boxen zu pressen oder sich auf ungenaue Vermutungen über Zellgrenzen zu verlassen, misst diese Methode, wie oft zwei Arten von Molekülen über jede mögliche Distanz hinweg in der Nähe zueinander vorkommen. Sie stellt eine einfache Frage: Wenn man ein Molekül vom Typ A auswählt, wie wahrscheinlich ist es, ein Molekül vom Typ B in einer Entfernung von einem Mikrometer, zehn Mikrometern oder einem Millimeter zu finden? Durch die Berechnung dieser Beziehung für jedes Genpaar und auf jeder Skala – von der Größe eines einzelnen Moleküls bis hin zur Größe eines ganzen Organs – fanden die Forscher heraus, dass die zugrunde liegenden Muster der Gewebeorganisation tatsächlich dieselben sind, unabhängig davon, welche Maschine zur Datenerfassung verwendet wurde.
Die Stärke dieses Ansatzes liegt in seiner Fähigkeit, den durch die Maschinen selbst erzeugten Lärm zu eliminieren. Als die Forscher Karten von Darmkrebsgewebe verglichen, die mit zwei verschiedenen High-Tech-Plattformen aufgenommen wurden – einer, die einzelne Moleküle verfolgt, und einer, die sie in kleinen Quadraten zählt –, stellten sie fest, dass die Muster der Geninteraktion nahezu identisch waren. Die beiden Maschinen stimmten bei den räumlichen Beziehungen zwischen Genen mit einer Korrelation von fast 90 Prozent überein, ein Grad der Übereinstimmung, der weit über den Unterschieden zwischen verschiedenen Patienten lag. Dies deutet darauf an, dass die biologische Realität der Art und Weise, wie sich Zellen anordnen, robust ist und konsistent gemessen werden kann, sofern die Analysemethode korrekt ist. Die Studie zeigte auch, dass die Unterschiede zwischen den Maschinen keine zufälligen Fehler waren, sondern auf spezifische, identifizierbare Skalen begrenzt waren. Zum Beispiel hatte eine Maschine Schwierigkeiten, Moleküle zu erfassen, die extrem nah beieinander lagen, während eine andere Signale von seltenen Zelltypen übersah, weil sie zuerst Moleküle in Zellen gruppierte. Durch die direkte Messung dieser Muster konnte die neue Methode diese maschinenspezifischen Eigenheiten erkennen und sie als bekannte Merkmale statt als verborgene Verzerrungen behandeln.
Einer der beeindruckendsten Befunde war, dass die Betrachtung einzelner Moleküle biologische Veränderungen offenbarte, die für Wissenschaftler, die nur ganze Zellen betrachteten, völlig unsichtbar blieben. In einer Studie an Mäusemilzen untersuchten die Forscher eine genetische Veränderung, die die Organisation von Immunzellen stört. Als sie die Daten analysierten, indem sie die Moleküle zuerst zu Zellen gruppierten, schien die genetische Veränderung keinen Effekt zu haben. Doch als sie die Rohpositionen der Moleküle betrachteten, trat ein klares Signal hervor: Die Immunzellen vermieden einander in den genetisch veränderten Mäusen wesentlich stärker als in den normalen Mäusen. Diese subtile Verschiebung, die auf einer Skala kleiner als eine einzelne Zelle stattfand, wurde von traditionellen Methoden, die auf Zellgrenzen beruhen, übersehen. Der neue Ansatz zeigte, dass das biologische Signal die ganze Zeit vorhanden war, aber durch den Schritt des Gruppierens der Moleküle in Zellen verborgen blieb – ein Schritt, der oft Fehler einführt, da Moleküle benachbarter Zellen ineinander überlappen können.
Die Forscher gingen auch der Frage nach, wie viel Daten tatsächlich benötigt werden, um ein zuverlässiges Ergebnis zu erhalten. Eine verbreitete Annahme in diesem Bereich ist, dass eine tiefere Sequenzierung – also das Finden von mehr Molekülen im selben Stück Gewebe – immer zu besseren Ergebnissen führt. Die Studie bewies, dass dies nicht unbedingt der Fall ist. Sie fanden heraus, dass die Präzision der Messungen weitaher mehr von der untersuchten Gesamtfläche des Gewebes und der Anzahl der untersuchten Gewebeproben abhängt als von der bloßen Anzahl der in einer einzelnen Probe gezählten Moleküle. Die Verdoppelung der Anzahl der Moleküle in einem winzigen Stück Gewebe reduzierte den Fehler nicht signifikant, während die Untersuchung eines größeren Bereichs oder das Hinzufügen weiterer Proben dies tat. Diese Erkenntnis bietet eine klare Orientierung für zukünftige Experimente: Um die Gewebeorganisation zu verstehen, ist es besser, das Budget auf mehr Gewebefläche und mehr Proben zu verteilen, als zu versuchen, jedes einzelne Molekül in einem kleinen Bereich zu zählen.
Schließlich demonstrierten die Forscher, dass diese Methode schnell genug ist, um die massiven Datenmengen zu bewältigen, die durch moderne Technologie generiert werden. Sie führten die Analyse auf einer einzigen Grafikkarte durch – einem Chip, der oft für Videospiele verwendet wird – und verarbeiteten einen Gewebeschnitt mit über einer Milliarde Molekülen in nur 26 Minuten. Diese Geschwindigkeit macht es möglich, das gesamte Genom über ganze Gewebeschnitte hinweg zu analysieren, eine Aufgabe, die mit älteren Methoden Wochen oder Monate gedauert hätte. Das Ergebnis ist eine vereinheitlichte Sicht auf die räumliche Biologie, bei der Daten von verschiedenen Maschinen, verschiedenen Auflösungen und verschiedenen Patienten direkt miteinander verglichen werden können. Indem sie sich auf die Beziehungen zwischen Molekülen über alle Skalen hinweg konzentrieren, haben die Forscher einen Weg aufgezeigt, die wahre Architektur lebenden Gewebes zu sehen und das biologische Signal vom Rauschen der Werkzeuge zu trennen, die zur Messung verwendet werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.