Scale-resolved correlation functions unify spatial omics across platforms and resolutions
本論文は、あらゆるスケールにおける空間的相関を定量化することで、多様なプラットフォームや解像度を横断する空間オミクス解析を統合し、生物学的シグナルをプラットフォーム固有のアーティファクトから区別し、大規模データセットの効率的な高スループット処理を可能にする、スケーラブルな計算フレームワークであるSCOTEを導入するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
賑やかな都市のレイアウトを理解しようとしている場面を想像してみてください。街角に立っている人々を一人ずつ数えることもできれば、彼らを近隣地域ごとにグループ化することもできますし、あるいは、ある特定の瞬間にすべての人がどこに立っているのかを単に記録することもできます。空間生物学の分野において、科学者たちはこれと似たようなことを行っていますが、対象は都市ではなく、生きている組織の内部の地図を作成しているのです。長年、研究者たちはこれらの地図を作成するためにさまざまなツールを使用してきました。あるツールは高解像度のカメラのように機能し、細胞内に浮遊する遺伝物質の個々の分子の写真を撮ります。また別のツールは、グリッド状のバケツのように機能し、各正方形の中にどれだけの分子が着地してカウントされたかを捉えます。問題は、これらのツールが異なる言語を話していることです。あるカメラで作られた地図を、別のカメラで作られた地図や、グリッドベースのカウントと比較することは容易ではありません。なぜなら、データを分析するための手法が、それぞれのツールに特化して構築されているからです。このことが、大きな全体像を把握したり、異なる研究の結果を組み合わせて普遍的な真実を見つけ出したりすることを困難にしてきました。
ミュンヘン・ジェン・センターの研究チームは、これらの地図を共通の言語で読み解く新しい方法を開発しました。彼らは「SCOTE（Spatial COvariance TEnsors：空間共分散テンソル）」と呼ばれる計算フレームワークを構築しました。データをあらかじめ定義された箱に押し込めたり、細胞の境界に関する不完全な推測に頼ったりする代わりに、この手法は、あらゆる可能な距離において、いかなる2種類の分子がどの程度の頻度で近くに現れるかを測定します。それは単純な問いを投げかけます。「もし分子タイプAを一つ選んだとしたら、距離1マイクロメートル、10マイクロメートル、あるいは1ミリメートルの場所に、分子タイプBが見つかる確率はどのくらいか？」という問いです。研究者たちは、単一の分子のサイズから臓器全体のサイズに至るまで、あらゆるスケールにおいてすべての遺伝子のペアに対してこの関係を計算することで、使用された機械が何であれ、組織構成の根底にあるパターンは実は同じであることを発見しました。
このアプローチの強みは、機械自体が生み出すノイズを取り除く能力にあります。研究者たちが、個々の分子を追跡するプラットフォームと、小さな正方形の中で分子をカウントするプラディウムの2つの異なるハイテク・プラットフォームを用いて撮影された大腸がん組織の地図を比較したところ、遺伝子の相互作用のパターンはほぼ同一であることがわかりました。両方の機械は、遺伝子間の空間的関係において90％近い相関を示しました。これは、異なる患者間で見られる差異よりもはるかに高い一致度です。このことは、生物学的な現実としての細胞の配置は堅牢であり、適切な分析手法さえあれば一貫して測定できることを示唆しています。また、研究は、機械間の差異がランダムなエラーではなく、特定可能で識別可能なスケールに限定されていることも明らかにしました。例えば、ある機械は極めて近くにある分子を捉えるのが苦手であり、別の機械は分子を細胞にグループ化することに依存していたために、希少な細胞型の信号を見逃していました。これらのパターンを直接測定することで、新しい手法は、これらの機械固有の癖を隠れたバイアスとしてではなく、既知の特徴として捉えることができました。
最も驚くべき発見の一つは、個々の分子を見ることで、科学者が細胞全体のみを見ているときには完全に不可視であった生物学的変化が明らかになったことです。マウスの脾臓を用いた研究において、研究者たちは免疫細胞の組織化を乱す遺伝的変化を調査しました。データをまず細胞ごとにグループ化して分析した際、その遺伝的変化は影響を与えていないように見えました。しかし、分子の生の配置を見たところ、明確なシグナルが現れました。遺伝的に改変されたマウスでは、免疫細胞が正常なマウスよりもはるかに強く互いを回避していたのです。この微妙な変化は単一の細胞よりも小さなスケールで起こっていたため、細胞の境界に依存する従来の手法では見逃されていました。新しいアプローチは、生物学的なシグナルは最初からそこに存在していたものの、分子を細胞にグループ化するというステップによって隠されていたことを示しました。このグループ化のステップは、隣接する細胞からの分子が互いに漏れ出すことがあるため、しばしばエラーを引き起こします。
研究者たちはまた、信頼できる答えを得るために、実際にどれほどのデータが必要かという問いにも取り組みました。この分野における一般的な仮定は、より深くシーケンシングすること（つまり、同じ組織片の中でより多くの分子を見つけること）が常に優れた結果につながるというものです。しかし、この研究はその必ずしも真ではないことを証明しました。彼らは、測定の精度は、単一のサンプル内の分子の総数よりも、調査される組織の総面積および取得される独立した組織サンプルの数に大きく依存することを発見しました。小さな組織片の中で分子の数を2倍にしてもエラーは大幅には減りませんでしたが、より広い面積を調査したり、より多くのサンプルを追加したりすると、エラーは減少しました。この洞察は、将来の実験に対する明確な指針を提供します。組織の構成を理解するためには、予算を一つの小さなスポットで全ての分子を数えることに使うよりも、より多くの組織面積とより多くのサンプルに分散させる方が良いのです。
最後に、チームはこの手法が現代のテクノロジーによって生成される膨大な量のデータを処理するのに十分な速さを持っていることを実証しました。彼らは、ビデオゲームによく使われる種類のコンピュータチップであるグラフィックスカード1枚を用いて、10億個以上の分子を含む組織セクションの分析をわずか26分で完了させました。このスピードにより、古い手法では数週間または数ヶ月を要したであろう、全ゲノムの解析を組織セクション全体に対して行うことが可能になります。その結果、異なる機械、異なる解像度、そして異なる患者のデータが直接比較可能となる、空間生物学の統一された視界が得られました。分子間の関係に焦点を当てることで、研究者たちは、生物学的なシグナルを、それを測定するために使用されたツールのノイズから分離し、生きている組織の真の構造を捉える方法を提示したのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。