Scale-resolved correlation functions unify spatial omics across platforms and resolutions
Il documento introduce SCOTE, un framework computazionale scalabile che unifica l'analisi dell'omica spaziale attraverso diverse piattaforme e risoluzioni quantificando le correlazioni spaziali a tutte le scale di lunghezza, distinguendo così i segnali biologici dagli artefatti specifici delle piattaforme e consentendo un'elaborazione efficiente e ad alto rendimento di enormi dataset.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Immaginate di cercare di comprendere la disposizione di una città frenetica. Potreste contare le persone in piedi su ogni angolo di strada, potreste raggrupparle in quartieri, o potreste semplicemente annotare dove si trova ogni singola persona in un momento specifico. Nel campo della biologia spaziale, gli scienziati stanno facendo qualcosa di simile, ma invece di una città, stanno mappando l'interno di un tessuto vivente. Per anni, i ricercatori hanno utilizzato strumenti diversi per realizzare queste mappe. Alcuni strumenti agiscono come telecamere ad alta risoluzione, scattando foto di singole molecole di materiale genetico che fluttuano all'interno delle cellule. Altri agiscono come una griglia di secchi, catturando e contando quante molecole atterrano in ogni quadrato. Il problema è che questi strumenti parlano lingue diverse. Una mappa realizzata da una telecamera non può essere facilmente confrontata con una mappa realizzata da una diversa telecamera, o con un conteggio basato su una griglia, perché i metodi per analizzare i dati sono costruiti specificamente per ciascuno strumento. Ciò ha reso difficile vedere il quadro d'insieme o combinare i risultati di diversi studi per trovare verità universali su come i tessuti siano organizzati.
Un team di ricercatori del Gene Center di Monaco ha sviluppato un nuovo modo per guardare queste mappe che parla un unico linguaggio comune. Hanno creato un framework computazionale chiamato SCOTE, che sta per Spatial COvariance TEnsors (Tensori di Covarianza Spaziale). Invece di forzare i dati in scatole predefinite o fare affidamento su ipotesi imperfette su dove si trovino i confini cellulari, questo metodo misura quanto spesso due tipi di molecole appaiono vicini tra loro attraverso ogni possibile distanza. Pone una domanda semplice: se scegli una molecola di tipo A, qual è la probabilità di trovare una molecola di tipo B a una distanza di un micrometro, dieci micrometri o un millimetro di distanza? Calcolando questa relazione per ogni coppia di geni e a ogni scala, dalla dimensione di una singola molecola alla dimensione di un intero organo, i ricercatori hanno scoperto che i modelli sottostanti dell'organizzazione dei tessuti sono in realtà gli stessi, indipendentemente dalla macchina utilizzata per catturare i dati.
La forza di questo approccio risiede nella sua capacità di eliminare il rumore creato dalle macchine stesse. Quando i ricercatori hanno confrontato le mappe di tessuto di cancro del colon-retto ottenute con due diverse piattaforme high-tech — una che traccia le singole molecole e un'altra che le conta in piccoli quadrati — hanno scoperto che i modelli di interazione genica erano quasi identici. Le due macchine concordavano sulle relazioni spaziali tra i geni con una correlazione di quasi il 90%, un livello di accordo che era molto più alto delle differenze osservate tra diversi pazienti. Ciò suggerisce che la realtà biologica di come le cellule si dispongono è robusta e può essere misurata in modo coerente, a patto che il metodo di analisi sia quello giusto. Lo studio ha anche dimostrato che le differenze tra le macchine non erano errori casuali, ma erano confinate a scale specifiche e identificabili. Ad esempio, una macchina faticava a vedere le molecole che erano estremamente vicine tra loro, mentre un'altra perdeva i segnali di tipi cellulari rari perché si affidava al raggruppamento delle molecole in cellule per prima. Misurando direttamente questi modelli, il nuovo metodo poteva individuare queste stranezze specifiche della macchina e trattarle come caratteristiche note piuttosto che come bias nascosti.
Una delle scoperte più sorprendenti è stata che osservare le singole molecole rivelava cambiamenti biologici che erano completamente invisibili quando gli scienziati guardavano solo le cellule intere. In uno studio sulle milzi di topo, i ricercatori hanno esaminato un cambiamento genetico che interrompe l'organizzazione delle cellule immunitarie. Quando hanno analizzato i dati raggruppando prima le molecole in cellule, il cambiamento genetico sembrava non avere alcun effetto. Tuttavia, quando hanno guardato le posizioni grezze delle molecole, è emerso un segnale chiaro: le cellule immunitarie evitavano l'una l'altra molto più fortemente nei topi geneticamente alterati rispetto a quelli normali. Questo spostamento sottile, che avveniva a una scala inferiore a quella di una singola cellula, è stato mancato dai metodi tradizionali che si affidano ai confini cellulari. Il nuovo approccio ha dimostrato che il segnale biologico era lì fin dall'inizio, ma era nascosto dal passaggio di raggruppare le molecole in cellule, un passaggio che spesso introduce errori perché le molecole di cellule vicine possono fuoriuscire l'una nell'altra.
I ricercatori hanno anche affrontato la domanda di quanti dati siano effettivamente necessari per ottenere una risposta affidabile. Un'ipotesi comune nel settore è che sequenziare più in profondità — trovare più molecole nello stesso pezzo di tessuto — porterà sempre a risultati migliori. Lo studio ha provato che questo non è necessariamente vero. Hanno scoperto che la precisione delle misurazioni dipende molto di più dall'area totale del tessuto esaminato e dal numero di campioni di tessuto separati presi, piuttosto che sul mero numero di molecole contate in un singolo campione. Raddoppiare il numero di molecole in un piccolo pezzo di tessuto non ha ridotto significativamente l'errore, mentre guardare un'area più grande o aggiungere più campioni lo ha fatto. Questa intuizione offre una guida chiara per i futuri esperimenti: per comprendere l'organizzazione dei tessuti, è meglio distribuire il budget su più aree di tessuto e più campioni piuttosto che cercare di contare ogni singola molecola in un piccolo punto.
Infine, il team ha dimostrato che questo metodo è abbastanza veloce da gestire le enormi quantità di dati generate dalla tecnologia moderna. Hanno eseguito l'analisi su una singola scheda grafica, un tipo di chip informatico spesso usato per i videogiochi, ed hanno elaborato una sezione di tessuto contenente oltre un miliardo di molecole in soli 26 minuti. Questa velocità rende possibile analizzare interi genomi attraverso intere sezioni di tessuto, un compito che avrebbe richiesto settimane o mesi con i metodi più vecchi. Il risultato è una visione unificata della biologia spaziale in cui i dati provenienti da macchine diverse, risoluzioni diverse e pazienti diversi possono essere confrontati direttamente. Concentrandosi sulle relazioni tra le molecole attraverso tutte le scale, i ricercatori hanno fornito un modo per vedere la vera architettura del tessuto vivente, separando il segnale della biologia dal rumore degli strumenti usati per misurarlo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.