smoothclust: Spatial smoothing and boundary-density summaries for spatial transcriptomics

組織は単なる細胞の袋ではありません。それは、地理が機能を決定する複雑な都市なのです。健康な臓器では、同じタイプの細胞は互いに集まり、特定のタスクを実行する明確な「近隣住区」を形成し、これらの地区間の境界はしばしば明瞭でよく定義されています。しかし、がんのような疾患が発生すると、この秩序ある建築構造が崩れ、異なる細胞タイプが混ざり合ったり、領域間の境界が曖昧で混沌としたものになったりすることがあります。数十年にわたり、科学者は個々の細胞内の遺伝的指示を読み取ってきましたが、それらの細胞が組織内のどこに位置しているかを捉えることは、より新しく、より困難な課題でした。現代のツールにより、細胞の元の位置を保持しながら遺伝子活動をマッピングすることが可能になり、組織の空間マップを作成できるようになりました。しかし、これらの複雑なマップを単純で比較可能な数値に変換することは、依然として高い壁となっています。研究者は、組織がどれほど組織化されているか、あるいは近隣住区がいかに混乱しているかを正確に定量化することに苦慮しており、それが一人の患者のサンプルを別の患者と比較したり、組織が時間の経過とともにどのように変化するかを追跡したりすることを難しくしています。

ボストン大学の研究チームは、組織サンプルの構造を要約するための簡潔な手法を提供する、空間的な秩序を測定する新しい方法を開発しました。彼らはこのアプローチをsmoothclustと呼び、それは2つの部分で機能します。第一に、細胞をその遺伝子活動とその隣接関係に基づいて意味のある領域へとグループ化するワークフローを提供し、生データに特有のノイズを平滑化します。第二に、そしておそらくより重要な点として、「境界密度（boundary density）」と呼ばれる指標を導入しています。都市の地図を見て、ある通りの家が、隣の通りにある全く異なる近隣住区に属する家に隣接している頻度を数える場面を想像してみてください。もし都市がよく整理されていれば、似たような家が長く連なっているはずであり、境界を越える回数は少なくなります。もし都市が混沌としており、異なる近隣住区が入り混じっていれば、境界を越えることが絶えず起こるでしょう。研究者たちはこれと同じ論理を用いて、細胞の遺伝的な「アイデンティティ」が、そのすぐ周囲の細胞とどれほど頻繁に異なるかをカウントします。このカウントは、組織がいかに混在しているか、あるいはいかに明確であるかを表す単一の数値を提供します。

研究者たちは、この手法を膠芽腫（グリオブラストーマ）として知られる脳腫瘍の様々な実世界のデータセットを用いてテストしました。彼らは、空間的な位置を考慮しない標準的な手法と、この新しい平滑化ベースのアプローチを比較しました。その結果、彼らの手法は、細胞タイプの急激でランダムな切り替わりが少ない、よりクリーンなマップを作成することが示されました。ある特定の腫瘍サンプルにおいて、標準的な手法は、組織が高度に断片化されており、境界の横断率が高いことを示唆していました。対照的に、新しい手法は、より一貫した構造を明らかにし、遷移がはるかに少なく、組織が実際には標準的なツールが示すよりも組織化されていることを示唆しました。この違いは重要でした。なぜなら、新しい手法が腫瘍の構造における真の生物学的現実をより良く反映できることを意味していたからです。研究者たちはまた、既存の他のソフトウェアによって生成されたラベルや、人間の病理医によって作成されたマップにもこの指標を適用しました。あらゆるケースにおいて、境界密度指標は組織の組織化を正常に要約しており、初期の細胞グループがどのように特定されたかにかかわらず、このツールが機能することを証明しました。

指標の堅牢性を確保するため、チームは正解が分かっているシミュレーションを実施しました。彼らは、完全に分離された半分と、完全にランダムな混合物との範囲で、既知のパターンを持つ人工的な細胞格子を作成しました。予想通り、指標は、完全に分離された半分には境界の横断が非常に少ない一方で、ラン संबंधीな混合物には多くの横断があることを正しく特定しました。また、ラベルが細胞タイプの総数に対して調整される場合についてもテストしました。時には、サンプルが多様であるために、単に多くの異なる細胞タイプが存在する場合もあります。研究者たちは、観察された横断数を知覚的な確率によるものと比較する「相対的」バージョンの指標を開発しました。この調整により、自然に多様な組織と、真に混沌とした組織を区別することが可能になりました。

このアプローチの有用性は、脳腫瘍の枠を超えて広がっています。研究者たちは、心臓発作を経験した患者の心臓組織サンプルにこの手法を適用しました。彼らは、異なる種類の損傷した心臓組織が、明確に異なる組織化のパターンを示すことを見出しました。筋肉細胞が豊富なセクションは、異なる細胞ニッチ間の遷移が高頻度で発生しており、細胞タイプが複雑に絡み合っていることを示唆していました。一方、瘢痕組織や特定の損傷反応が支配的なセクションは、より均一な領域を示していました。指標は、一箇所に一つの細胞タイプがほぼ全てを占めるような極端に不均衡な組成を持つサンプルであっても、これらの違いを検出できるほど敏感でした。これは、生物学的な構成が大きく偏っている場合でも、ツールが信頼できる要約を提供できることを示唆しています。

研究者たちはまた、カウントに使用する近傍のサイズが結果にどのように影響するかについても調査しました。彼らは、すぐ隣の隣人を見るか、あるいは少し広い範囲を見るかによって数値自体は変わるものの、サンプルの全体的なランキングは一貫していることを見出しました。これは、指標が安定しており、データの見方に多少の変化があっても過度に敏感ではないことを示しています。さらに、彼らは、コロレックス癌組織などの、何十万もの個々の細胞を含む極めて高解像度のデータセットに対してこの手法をテストしました。これほど膨大なサイズのデータセットにもかかわらず、ソフトウェアは標準的なノートパソコン上で効率的に動作し、1分足らずでデータを処理しました。これは、この手法が理論的に健全であるだけでなく、現代のテクノロジーが生み出す膨大なデータに対しても実用的であることを証明しています。

研究の中で最も啓発的な側面の一つは、指標が研究者による領域の定義方法にどのように反応するかという点でした。チームが、脳の皮質に関する詳細なマップを取り、3つの異なる白質の層を単一の「白質」カテゴリーに統合したとき、境界密度は大幅に低下しました。これは直感的に理解できます。3つの似た層を区別せず、一つの大きな領域として扱うならば、境界を越える回数は減少します。しかし、研究者たちは、この変化がサンプルの相対的なランキングをも変えることも指摘しました。この発見は、指標によって生成される数値が、最初にどのように生物学的領域が定義されるかに依存するという極めて重要なリマインダーとなります。それは、組織に関する唯一の絶対的な真実を提供するのではなく、使用されている特定のマップに基づいた、組織化の精密な要約を提供するのです。

本研究は、このフレームワークが、複雑な空間マップを理解可能な要約へと翻訳するための、透明性が高く再利用可能な方法を提供することを結論付けています。細胞のアイデンティティが一点から次の点へとどの程度変化するかを定量化することで、この手法は、すべての細胞を完全に整列させる必要なく、異なる患者、異なる疾患状態、および異なる生物学的条件下で組織の組織化を比較することを可能にします。それは、組織マップの視覚的な複雑さと、単純で比較可能な数値の必要性との間の溝を埋めるものです。クラスタリングアルゴリズムの評価、異なる専門家による手動アノテーションの比較、あるいは疾患における組織構造の変化の探求に使用されるいずれの場合においても、境界密度指標は、生命の空間的な秩序について問い、答えるための明確でデータに基づいた方法を提供します。これらのツールは科学コミュニティに無料で公開されており、空間生物学の分野が成長し続ける中で、新しいデータセットに適用されるのを待っています。