SpaceBlocks: an expert-supervised workflow for cohort-level spatial transcriptomics analysis
SpaceBlocks est un flux de travail Snakemake reproductible et supervisé par des experts qui homogénéise les données de transcriptomique spatiale à résolution de cellule unique hétérogènes à travers plusieurs plateformes afin de permettre une analyse à l'échelle de la cohorte, comme le démontre sa capacité à identifier de nouveaux types cellulaires, des modèles d'expression de marqueurs et des différences transcriptionnelles associées à des maladies dans divers ensembles de données biologiques.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Le tissu n'est pas une soupe de cellules uniforme ; c'est une ville structurée où la localisation définit la fonction. Pendant des décennies, les biologistes ont pu lire les instructions génétiques à l'intérieur d'une cellule, mais ils devaient broyer le tissu en une pâte pour ce faire, perdant ainsi la carte de l'endroit où chaque cellule vivait. Une technologie plus récente, appelée transcriptomique spatiale, résout ce problème en lisant le code génétique tout en maintenant la cellule dans son quartier d'origine. Cela permet aux scientifiques de voir comment les cellules communiquent avec leurs voisines et s'organisent en districts fonctionnels, tout comme on comprendrait une ville en voyant quels magasins, écoles et maisons sont situés les uns à côté des autres. Cependant, cette nouvelle façon d'observer le tissu s'accompagne d'une complication : les différentes machines qui prennent ces images parlent des langues différentes. Une machine peut produire ses données dans un format qu'une autre machine ne peut pas lire, et les outils logiciels utilisés pour les analyser fonctionnent souvent de manière isolée. Lorsque les chercheurs tentent d'étudier ensemble un grand groupe de patients — une cohorte — ils sont confrontés à un mélange chaotique de types de fichiers et d'étapes manuelles difficiles à répéter ou à vérifier.
Pour apporter de l'ordre à cette complexité, une équipe de chercheurs a construit un nouveau flux de travail numérique appelé SpaceBlocks. Considérez ce flux de travail comme un traducteur universel et un contrôleur de trafic pour les données tissulaires. Au lieu de laisser chaque chercheur construire ses propres outils personnalisés pour chaque nouvelle expérience, SpaceBlocks fournit un chemin unique et standardisé que n'importe quel ordinateur peut suivre. Il prend la sortie brute et désordonnée de différents microscopes de haute technologie et la convertit en un format commun et propre que tous les outils d'analyse en aval peuvent comprendre. Crucialement, ce système ne cherche pas à automatiser toutes les décisions. Les chercheurs l'ont conçu pour marquer des pauses et solliciter l'expertise humaine à des moments clés, comme décider quelles cellules sont assez saines pour être conservées ou comment étiqueter un groupe de cellules sur la base de leur profil génétique. Cela garantit que les résultats finaux ne sont pas seulement le produit d'un programme informatique "boîte noire", mais le produit vérifié d'un jugement scientifique.
L'équipe a testé ce système sur une large collection d'échantillons de tissus provenant de trois types différents de microscopes avancés, couvrant un total de 37 échantillons issus de bases de données publiques. Ces échantillons comprenaient des tissus de patients atteints de sclérose en plaques et de patients atteints de cancer colorectal. Le flux de travail a traité l'ensemble avec succès, prouvant qu'il pouvait gérer les différents formats de fichiers et les tailles variables des ensembles de données sans s'interrompre. Dans un cas impliquant la sclérose en plaques, le système a aidé les chercheurs à identifier des motifs génétiques spécifiques dans différentes parties des lésions cérébrales qui avaient été manqués lors d'analyses précédentes. Il a révélé que certains gènes étaient actifs dans des quartiers spécifiques du tissu, offrant une image plus claire de la façon dont la maladie affecte différentes zones. Dans un autre test utilisant des échantillons de cancer colorectal, le flux de travail a aidé les chercheurs à repérer trois types distincts de cellules qu'une analyse précédente, largement utilisée, avait négligés. Ceux-ci comprenaient des cellules immunitaires et des cellules de type nerveux qui se cachaient à la vue de tous au sein du tissu tumoral.
Au-delà de la simple découverte de nouvelles cellules, le système a montré comment comparer un tissu sain à un tissu malade d'une manière qui tient compte de la structure unique de chaque échantillon. En regroupant les cellules en profils « pseudobulk » — combinant essentiellement les signaux génétiques de nombreuses cellules dans une zone spécifique pour obtenir un signal plus fort et plus clair — les chercheurs ont pu identifier précisément quels gènes s'activaient ou s'inactivaient dans l'état pathologique. Le système a exécuté ces comparaisons complexes automatiquement une fois que les experts humains avaient défini les règles, générant des cartes et des graphiques détaillés montrant les différences entre les tissus sains et malins. Les résultats étaient cohérents à travers les différentes machines, suggérant que le flux de travail est suffisamment robuste pour être utilisé par d'autres scientifiques qui souhaitent étudier de grands groupes de patients sans se perdre dans les détails techniques.
Les chercheurs soulignent que cet outil n'est pas un remplacement de l'intuition humaine, mais un cadre pour la soutenir. En rendant les étapes de l'analyse transparentes et reproductibles, SpaceBlocks permet aux scientifiques d'avoir la certitude que leurs découvertes sont réelles et ne sont pas simplement un artefact d'un paramètre logiciel spécifique. Le système est librement accessible à tous, et le code est ouvert pour que d'autres puissent l'améliorer ou l'adapter à de nouveaux types de microscopes. À l'avenir, l'équipe prévoit d'ajouter le support pour encore plus de technologies d'imagerie et de rendre les étapes initiales du processus entièrement open-source, supprimant ainsi toute dépendance vis-à-vis de logiciels propriétaires. Pour l'instant, SpaceBlocks se présente comme une solution pratique à un problème croissant en biologie : comment donner du sens aux données vastes, complexes et variées provenant de la nouvelle génération de machines de cartographie tissulaire, en veillant à ce que l'histoire du tissu soit racontée de manière claire et précise.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.