STCS: A Platform-Agnostic Framework for Cell-Level Reconstruction in Sequencing-Based Spatial Transcriptomics

Le framework STCS est une solution open-source et agnostique de la plateforme qui reconstruit des profils d'expression génique au niveau cellulaire à partir de données de transcriptomique spatiale à haute résolution en intégrant la segmentation des noyaux et un modèle de distance combinant transcriptomique et spatialité, surpassant ainsi les méthodes existantes sans nécessiter d'annotations de référence.

L'essentiel

🧬 Le Problème : Une Carte Floue d'une Ville Très Dense

Imaginez que vous essayez de comprendre une ville très peuplée (votre tissu biologique) en regardant une carte où chaque case représente un petit quartier, mais pas une maison individuelle.

• La technologie actuelle : Les nouvelles machines de séquençage (comme Visium HD ou Stereo-seq) sont incroyables. Elles peuvent lire les "ordres" (l'ADN/ARN) de chaque cellule dans un tissu.
• Le hic : Ces machines divisent le tissu en une grille de petits carrés (des "bins"). Chaque carré contient le message de plusieurs cellules mélangées. C'est comme si vous aviez un sac de lettres provenant de 5 voisins différents, et vous deviez deviner qui a écrit quoi sans savoir où sont les murs de leurs maisons.
• Le résultat : On a une carte floue. On sait ce qui se passe dans le quartier, mais on ne sait pas exactement ce que fait chaque habitant (chaque cellule). Pour les biologistes, c'est frustrant car ils veulent étudier les individus, pas juste les quartiers.

🛠️ La Solution : STCS, le "Détective de Cellules"

C'est là qu'intervient STCS (Spatial Transcriptomics Cell Segmentation). C'est un nouveau logiciel (un cadre de travail) qui agit comme un détective très intelligent pour reconstruire les maisons individuelles à partir de ces sacs de lettres mélangés.

Voici comment il fonctionne, avec une analogie simple :

1. Repérer les "Maison Mères" (Les Noyaux)

Le logiciel commence par regarder une photo du tissu (une image H&E). Il utilise un outil d'intelligence artificielle (StarDist) pour repérer les noyaux des cellules.

• Analogie : Imaginez que les noyaux sont les cheminées des maisons. Même si vous ne voyez pas les murs, vous savez que là où il y a une cheminée, il y a une maison.

2. Le Jeu des Voisins (L'Assignation)

Maintenant, le logiciel doit décider quelles lettres (les données génétiques des petits carrés) appartiennent à quelle cheminée.

• Il ne se contente pas de dire "c'est la maison la plus proche". Il joue à deux jeux en même temps :
  1. La proximité géographique : "Est-ce que ce carré est physiquement proche de la cheminée ?"
  2. La ressemblance du contenu : "Est-ce que le contenu de ce carré ressemble à ce qu'on attend d'une maison de ce type ?"
• Analogie : C'est comme si vous deviez trier des colis dans un entrepôt. Vous regardez d'abord où ils sont posés (près de quelle porte), mais vous regardez aussi l'étiquette sur le colis. Si un colis est près de la porte A mais porte l'étiquette "Boulangerie", et que la porte A mène à une "Boulangerie", vous le mettez là. Si l'étiquette ne correspond pas, vous le cherchez ailleurs.

3. Les Réglages Magiques (Les Paramètres)

Le logiciel utilise deux boutons de réglage pour être parfait :

• Le rayon de recherche (S) : Jusqu'où le détective doit-il regarder pour trouver des voisins ? Trop petit, il rate des pièces ; trop grand, il mélange deux maisons.
• Le poids de la distance (λ) : À quel point doit-il privilégier la proximité physique par rapport au contenu génétique ?
• Le génie de STCS : Le papier explique que ce logiciel est "autonome". Il peut tester différents réglages sur de petits échantillons et dire : "Hé, avec ce réglage, les maisons semblent bien formées et cohérentes", sans avoir besoin de quelqu'un pour lui donner la réponse exacte à l'avance.

🏆 Les Résultats : Pourquoi c'est une Révolution ?

Les auteurs ont testé STCS sur deux types de tissus (un poumon humain et un cerveau de souris) et l'ont comparé à d'autres méthodes existantes.

• Plus précis : STCS réussit mieux à dessiner les contours des cellules que les anciennes méthodes. Il ne fait pas de "maisons fantômes" (des cellules qui n'existent pas) ni de "maisons géantes" (qui englobent plusieurs cellules).
• Plus cohérent : Les cellules qu'il reconstruit restent groupées de manière logique dans l'espace, comme de vraies cellules le feraient dans un tissu.
• Universel : Peu importe la machine utilisée (Visium HD ou Stereo-seq), STCS s'adapte. C'est comme un adaptateur universel qui fonctionne sur n'importe quelle prise électrique.

🚀 En Résumé

Avant STCS, les scientifiques regardaient la ville de la biologie à travers un brouillard où les maisons étaient fondues les unes dans les autres. STCS est le pare-brise qui s'essuie. Il permet de voir chaque cellule individuellement, avec ses propres messages génétiques, en utilisant simplement la position des noyaux et la logique des données.

C'est une boîte à outils gratuite et ouverte (open-source) qui va permettre à tous les chercheurs de mieux comprendre comment nos tissus fonctionnent, maladie par maladie, cellule par cellule.

Résumé technique

Titre

STCS : Un cadre agnostique de plateforme pour la reconstruction au niveau cellulaire en transcriptomique spatiale basée sur le séquençage.

1. Problématique

Les technologies de transcriptomique spatial (ST) basées sur le séquençage, telles que Visium HD et Stereo-seq, permettent désormais un profilage transcriptomique à l'échelle subcellulaire. Cependant, une limitation fondamentale persiste : ces plateformes génèrent des mesures définies sur des unités spatiales barcodées (spots ou "bins") plutôt que sur des cellules biologiquement segmentées.

• Le défi : Les profils d'expression dérivés de ces "bins" représentent des signaux transcriptionnels agrégés et non des transcriptomes cellulaires cohérents.
• La conséquence : Cela crée un goulot d'étranglement pour les analyses centrées sur la cellule (annotation des types cellulaires, analyse de l'hétérogénéité).
• Limites des solutions existantes : Les méthodes actuelles (ex: Bin2Cell) utilisent souvent des expansions fixes de noyaux qui peuvent générer des cellules spatialement disjointes ou des frontières imprécises. Les technologies basées sur l'imagerie (ex: Xenium) offrent une résolution cellulaire mais sont limitées par des panels de gènes prédéfinis, restreignant la couverture transcriptomique.

2. Méthodologie : Le cadre STCS

STCS est un cadre computationnel agnostique de la plateforme conçu pour reconstruire des unités cellulaires cohérentes en agrégeant les "bins" autour de noyaux segmentés.

Pipeline principal :

1. Segmentation des noyaux : Utilisation du modèle d'apprentissage profond StarDist sur des images histologiques (H&E) pour identifier les noyaux cellulaires.
2. Sélection des candidats : Pour chaque "bin" situé à l'extérieur d'un noyau, STCS identifie les noyaux voisins dans un rayon de recherche (S) défini.
3. Modèle de distance conjointe : Chaque bin est assigné au noyau candidat le plus proche en minimisant une métrique de distance combinée :
   • Distance transcriptomique : Calculée dans un espace latent (via PCA) entre le profil du bin et le profil agrégé du noyau.
   • Distance spatiale pondérée : La distance géométrique entre le bin et le noyau.
   • Formule : $d(i, c) = \tilde{d}_{expr}(i, c) + \lambda \cdot d_{sp}(i, c)$, où $\lambda$ est un facteur de pondération spatiale.
4. Reconstruction : Agrégation de tous les bins assignés à un noyau pour former un profil d'expression génique au niveau de la cellule unique.

Stratégie de sélection des paramètres (Référence-free) :
STCS ne nécessite pas d'annotations de vérité terrain pour fonctionner. Il propose une stratégie de sélection de paramètres basée sur la stabilité interne et la cohérence spatiale :

• Paramètres clés : Rayon de recherche ($S$) et poids spatial ($\lambda$).
• Métriques d'évaluation interne :
  • Nombre moyen de gènes détectés par cellule (pour évaluer la saturation de la capture).
  • Stabilité des comptes de types cellulaires (via CellTypist).
  • Score de connexion (Connection Score) : Mesure la proportion de bins formant une région spatialement contiguë au sein d'une cellule reconstruite (un score proche de 1 indique une structure cellulaire cohérente).

3. Contributions Clés

• Agnosticisme de plateforme : STCS fonctionne sur des données de différentes résolutions et technologies (Visium HD et Stereo-seq) sans nécessiter de réentraînement spécifique.
• Sélection de paramètres sans vérité terrain : L'utilisation de métriques de stabilité interne permet un déploiement adaptatif sur divers types de tissus sans dépendre d'annotations manuelles ou de données de référence appariées.
• Code Open Source : Le framework est entièrement open-source, favorisant la reproductibilité et l'intégration dans les pipelines d'analyse existants.
• Reconstruction de frontières biologiques : Contrairement aux expansions fixes, STCS utilise la similarité transcriptionnelle pour affiner les frontières cellulaires, évitant les agrégats spatialement incohérents.

4. Résultats et Validation

L'évaluation a été menée sur deux jeux de données majeurs :

A. Données Visium HD (Cancer du poumon humain) avec vérité terrain Xenium :

• Comparaison : STCS a été comparé à Bin2Cell et à la segmentation native de 10x Space Ranger.
• Performance : STCS a montré des améliorations constantes sur plusieurs métriques :
  • Accord des types cellulaires : Meilleurs scores F1 pondérés, précision, ARI (Adjusted Rand Index) et NMI (Normalized Mutual Information).
  • Cohérence spatiale : Réduction du taux de duplication (moins de sur-segmentation) et meilleure distribution de la taille des cellules par rapport à Xenium.
  • Fidélité génique : Corrélations de Spearman et de Pearson plus élevées, et RMSE plus faibles par rapport aux profils d'expression de Xenium.

B. Données Stereo-seq (Cerveau de souris, haute résolution) :

• Comparaison : STCS vs STP (framework spécifique à Stereo-seq) et une base de référence "noyaux uniquement".
• Résultats :
  • Organisation spatiale : STCS a obtenu des scores CHAOS plus faibles (indiquant moins de désordre spatial) et une meilleure cohérence des classes cellulaires à l'échelle locale.
  • Précision transcriptomique : Meilleure précision de transfert d'étiquettes vers un référentiel scRNA-seq et une plus grande similarité cosinus des profils d'expression.
  • Diversité : STCS a détecté une richesse de types cellulaires supérieure et des proportions de cellules plus proches du référentiel scRNA-seq.

5. Signification et Impact

STCS comble une lacune critique dans l'analyse de la transcriptomique spatiale en permettant la reconstruction fiable de transcriptomes au niveau de la cellule unique à partir de données de séquençage haute densité.

• Avancée technique : Il résout le problème de la segmentation cellulaire sans dépendre de l'imagerie de protéines de surface ou de panels de gènes restreints.
• Utilité biologique : En fournissant des profils cellulaires cohérents, STCS facilite des analyses en aval plus fiables, telles que l'annotation des types cellulaires, l'analyse des interactions cellule-cellule et l'intégration de données multi-omiques.
• Accessibilité : En étant agnostique de la plateforme et open-source, STCS démocratise l'accès à l'analyse cellulaire précise pour une large gamme de technologies de transcriptomique spatial émergentes.

En résumé, STCS représente une solution robuste et adaptable pour transformer les données de "bins" spatiaux bruts en unités biologiques interprétables, accélérant ainsi la découverte en biologie spatiale.