Characterizing dynamic tissue architectures by identifying cell-type-specific spatiotemporal gene programs with stGP

Sintesi Tecnica: Caratterizzazione di Architetture Tessutali Dinamiche con stGP

Definizione del Problema
I programmi genici cellulari si svelano nel tempo biologico all'interno di tessuti spazialmente organizzati, dove lo stesso tipo cellulare può attivare programmi molecolari distinti a seconda della propria posizione, dello stadio di sviluppo o della nicchia multicellulare locale. Sebbene la trascrittomica spatiotemporale permetta la misurazione in situ di questi processi, l'analisi di tali dati presenta una sfida significativa: la progressione temporale (ad esempio, l'invecchiamento o il recupero da un infortunio), l'organizzazione anatomica all'interno delle sezioni tissutali e la variazione associata alla nicchia locale avvengono simultaneamente attraverso diverse sezioni tissutali, spesso non allineate. I metodi esistenti faticano a distinguere se l'attività di un programma genico sia guidata da cambiamenti temporali, dalla struttura spaziale o dalla loro interazione. Gli approcci attuali, come PCA, NMF e i metodi con consapevolezza spaziale come SpatialPCA, Popari o MEFISTO, spesso non riescono a fornire un quadro unificato che decomponga l'attività dei programmi specifici per tipo cellulare in traiettorie temporali separabili ed effetti spaziali, preservando al contempo l'identità molecolare interpretabile (carichi genici) di ciascun programma.

Metodologia: Il Framework stGP
Per affrontare queste sfide, gli autori presentano spatiotemporal Gene Programs (stGP), un framework statistico progettato per studi trascrittomici spatiotemporali multi-campione. stGP opera all'interno di un tipo cellulare target e modella l'espressione genica come un piccolo numero di programmi genici latenti.

• Struttura del Modello: stGP rappresenta la matrice di espressione $Y$ per un campione come una decomposizione in un effetto basale, una matrice di embedding cellulare spatiotemporale $H$ e una matrice di carichi genici $W$.
  • Carichi Genici ($W$): Definiti come vettori non negativi su un simplesso, rappresentano set di geni pesati e interpretabili condivisi tra tutti i campioni. Ciò garantisce che l'identità molecolare di un programma rimanga coerente.
  • Embedding Cellulari ($H$): L'attività di ogni cellula per un determinato programma è decomposta in due componenti:
    1. Effetto Temporale ($\alpha$): Un effetto a livello di campione condiviso da tutte le cellule di quel tipo appartenenti a un individuo in uno specifico stadio o età biologica. È modellato utilizzando un prior di processo Gaussiano (GP) smussato sulla covariata temporale.
    2. Effetto Spaziale ($b$): Un effetto eterogeneo a livello cellulare che varia all'interno di una sezione di tessuto. È modellato utilizzando un separato prior GP definito sulle distanze euclidee a coppie all'interno della sezione, consentendo la variazione spaziale locale senza richiedere la registrazione tra le sezioni.
• Inferenza: Il modello stima i carichi genici, gli embedding cellulari e le componenti di varianza (quantificando il contributo relativo di tempo vs spazio) utilizzando un algoritmo di backfitting a blocchi. L'algoritmo alterna l'aggiornamento delle attività dei programmi, dei carichi genici sul simplesso e delle componenti di varianza tramite massimizzazione della log-verosimiglianza marginale. Il numero di programmi può essere determinato automaticamente durante la selezione del modello.
• Efficienza Computazionale: Sfruttando la struttura a blocchi diagonali dei kernel spaziali intra-sezione e i termini a basso rango temporali, stGP evita la complessia $O(N^3)$ dell'inversione standard dei GP, raggiungendo una complessità di $O(\sum N_t^2 + T^3)$ per aggiornamento.

Risultati Chiave
Gli autori hanno valutato stGP attraverso simulazioni complete e tre dataset trascrittomici spatiotemporali del mondo reale:

1. Studi di Simulazione: stGP ha superato i metodi di base (PCA, NMF, SpatialPCA, Popari, STAMP, MEFITO) nel recuperare i programmi genici latenti, rilevare i geni veri e ricostruire gli embedding cellulari. Fondamentalmente, stGP è stato l'unico metodo in grado di recuperare accuratamente programmi guidati puramente da effetti temporali o puramente da effetti spaziali, distinguendo correttamente le due fonti di variazione.
2. Invecchiamento della Corteccia Prefrontale Dorsolaterale Umana (DLPFC): Applicato a dati MERFISH da donatori con età compresa tra 15 e 87 anni, stGP ha risolto l'architettura dei neuroni eccitatori specifici per strato in sezioni non allineate con maggiore precisione rispetto ai modelli di base. Ha identificato strutture laminari stabili (L2/3, L4, L 5/6) rivelando al contempo l'attenuazione dipendente dall'età di specifici stati trascrizionali. Inoltre, stGP ha scoperto un programma degli oligodendrociti (stGP4) associato a una nicchia multicellulare condivisa (MCN2) nella materia bianca profonda, dimostrando che l'invecchiamento rimodella l'attività e l'impiego di nicchie preesistenti piuttosto che crearne di completamente nuove.
3. Cervello di Topo in Invecchiamento: In un dataset MERFISH di cervelli di topo, stGP ha identificato un programma microgliale tardo-evolutivo (stGP2) caratterizzato dalla presentazione dell'antigene MHC-I e da geni responsivi all'interferone. Questo programma ha mostrato un aumento progressivo con l'età ed è diventato spazialmente arricchito nei tratti di materia bianca (corpo calloso e commissura anteriore). L'analisi ha rivelato che questa attivazione spaziale era fortemente accoppiata ai vicinati locali di cellule T, distinguendosi da effetti generali di regione anatomica.
4. Lesione-Riparazione del Rene di Topo: Applicato a un dataset temporale Xenium seguito a lesione bilaterale da ischemia-riperfusione, stGP ha identificato programmi immunitari ed epiteliali riproducibili e specifici per stadio attraverso replicati renali bilaterali. Ha separato con successo le risposte acute al danno dalle successive transizioni dall'infiammazione alla riparazione e dal rimodellamento persistente immuno-stromale, mappando questi programmi su specifici vicinati cellulari e zone di lesione.

Significato e Rivendicazioni
L'articolo sostiene che stGP fornisca un framework efficace e robusto per dissezionare l'architettura tissutale dinamica, convertendo i dati trascrittomici spatiotemporali in traiettorie temporali interpretabili e modelli spazialmente risolti. La sua importanza primaria risiede nella capacità di:

• Decouple la Variazione: Separare esplicitamente le risposte temporali condivise dalle strutture anatomiche stabili e dal rimodellamento spaziale localizzato.
• Preservare l'Interpretabilità: Mantenere carichi genici non negativi e coerenti tra i campioni, permettendo ai programmi di essere definiti da chiare firme molecolari.
• Rivela la Dinamica Contestuale: Scoprire come i programmi specifici per tipo cellulare siano coordinati attraverso il tempo biologico e gli microambienti spaziali, come l'identificazione di "hotspot di invecchiamento" o stati "accoppiati alla nicchia" che vengono ignorati dai metodi che trattano tempo e spazio come un unico fattore confondente.

Gli autori posizionano stGP come uno strumento versatile per studiare processi biologici in cui lo stato molecolare, l'organizzazione spaziale e il tempo biologico sono strettamente intrecciati, offrendo intuizioni sulla conservazione dell'architettura tissutale rispetto al rimodellamento dinamico.