SpaceBlocks: an expert-supervised workflow for cohort-level spatial transcriptomics analysis
SpaceBlocks는 다양한 플랫폼에 걸친 이질적인 단일 세포 해상도 공간 전사체 데이터를 균질화하여 확장 가능한 코호트 수준의 분석을 가능하게 하는 재현 가능하고 전문가가 감독한 Snakemake 워크플로우이며, 이는 다양한 생물학적 데이터셋에서 새로운 세포 유형, 마커 발현 패턴 및 질병 관련 전사 차이를 식별하는 능력을 통해 입증되었습니다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
조직은 세포들이 섞여 있는 균일한 수프가 아닙니다. 그것은 위치가 기능을 정의하는 구조화된 도시입니다. 수십 년 동안 생물학자들은 세포 내부의 유전적 지침을 읽을 수는 있었지만, 이를 위해서는 조직을 페이스트 형태로 갈아버려야 했고, 그 과정에서 각 세포가 어디에 살고 있었는지에 대한 지도를 잃어버려야 했습니다. 공간 전사체학(spatial transcriptomics)이라 불리는 새로운 기술은 세포를 원래의 이웃 속에 그대로 둔 채 유전 코드를 읽음으로써 이 문제를 해결합니다. 이를 통해 과학자들은 세포들이 어떻게 이웃과 대화하고, 마치 도시의 상점, 학교, 집들이 서로 어떤 위치에 놓여 있는지 파악하는 것처럼 어떻게 기능적인 구역을 형성하며 조직되는지를 볼 수 있습니다. 그러나 이러한 새로운 방식의 조직 관찰에는 한 가지 복잡한 문제가 따릅니다. 바로 이 사진들을 찍는 서로 다른 기계들이 서로 다른 언어를 사용한다는 점입니다. 어떤 기계는 데이터를 출력하지만 다른 기계가 읽을 수 없는 형식으로 출력할 수 있으며, 이를 분석하는 데 사용되는 소프트웨어 도구들도 종종 고립되어 작동합니다. 연구자들이 환자들의 대규모 집단(코호트)을 함께 연구하려고 할 때, 그들은 파일 형식의 혼란과 반복하거나 검증하기 어려운 수동 단계들에 직면하게 됩니다.
이러한 복잡성에 질서를 부여하기 위해, 한 연구팀은 SpaceBlocks라는 새로운 디지털 워크플로를 구축했습니다. 이 워크플로를 조직 데이터의 보편적인 번역가이자 교통 통제관이라고 생각하십시오. 모든 연구자가 새로운 실험마다 자신만의 맞춤형 도구를 만드는 대신, SpaceBlocks는 어떤 컴퓨터라도 따를 수 있는 단일하고 표준화된 경로를 제공합니다. 이 시스템은 다양한 첨단 현미경에서 나오는 가공되지 않은 무질서한 출력을 받아 이를 모든 후속 분석 도구가 이해할 수 있는 깨끗하고 공통된 형식으로 변환합니다. 결정적으로, 이 시스템은 모든 결정을 자동화하여 없애려고 하지 않습니다. 연구진은 어떤 세포가 건강하여 유지할 가치가 있는지, 혹은 유전적 프로필을 바탕으로 특정 세포 그룹을 어떻게 라벨링할 것인지와 같이 핵심적인 순간에 멈추어 인간의 전문 지식을 요청하도록 설계했습니다. 이는 최종 결과가 단순히 블랙박스 형태의 컴퓨터 프로그램의 출력이 아니라, 과학적 판단이 검증된 산물이 되도록 보장합니다.
연구팀은 세 가지 유형의 고급 현미경에서 얻은 총 37개의 공개 데이터베이스 샘플을 사용하여 이 시스템을 테스트했습니다. 이 샘플들에는 다발성 경화증 환자와 대장암 환자의 조직이 포함되었습니다. 워크플로는 이 모든 샘플을 성공적으로 처리하여, 다양한 파일 형식과 데이터셋의 크기 변화에도 불구하고 오류 없이 작동할 수 있음을 증명했습니다. 다발성 경화증과 관련된 한 사례에서, 이 시스템은 이전 분석에서는 놓쳤던 뇌 병변의 특정 부위에서 나타나는 특정 유전적 패턴을 식별하는 데 도움을 주었습니다. 이는 특정 유전자들이 조직의 특정 구역에서 활성화되어 있음을 밝혀냈으며, 질병이 서로 다른 영역에 어떻게 영향을 미치는지에 대한 더 명확한 그림을 제공했습니다. 또 다른 대장암 샘플 테스트에서는, 이 워크플로가 기존에 널리 사용되던 분석법이 간과했던 세 가지 뚜렷한 세포 유형을 찾아내는 데 도움을 주었습니다. 여기에는 종양 조직 내에 숨어 있던 면역 세포와 신경 유사 세포가 포함되었습니다.
단순히 새로운 세포를 찾는 것을 넘어, 이 시스템은 각 샘플의 독특한 구조를 고려하면서 건강한 조직과 질병 조직을 비교하는 방법을 보여주었습니다. 연구진은 "의사 벌크(pseudobulk)" 프로필—본질적으로 특정 구역 내의 많은 세포로부터 나오는 유전적 신호를 결합하여 더 강력하고 명확한 신호를 얻는 방식—로 세포를 그룹화함으로써, 질병 상태에서 정확히 어떤 유전자가 켜지거나 꺼지는지를 짚어낼 수 있었습니다. 시스템은 인간 전문가가 규칙을 설정한 후 이 복잡한 비교 과정을 자동으로 실행하여, 건강한 조직과 악성 조직 사이의 차이를 보여주는 상세한 지도와 차트를 생성했습니다. 결과는 서로 다른 기계들 사이에서도 일관되게 나타났으며, 이는 이 워크플로가 기술적인 세부 사항에 매몰되지 않고 대규모 환자 집단을 연구하고자 하는 다른 과학자들에게도 사용될 만큼 견고하다는 것을 시사합니다.
연구진은 이 도구가 인간의 통찰력을 대체하는 것이 아니라 이를 지원하는 프레임워크임을 강조합니다. 분석 단계를 투명하고 반복 가능하게 만듦으로써, SpaceBlocks는 과학자들이 자신들의 발견이 특정 소프트웨어 설정에 의한 결과물이 아니라 실제적인 것이라고 믿을 수 있게 해줍니다. 이 시스템은 누구나 자유롭게 사용할 수 있으며, 코드는 다른 사람들이 새로운 유형의 현미경에 맞춰 개선하거나 적응시킬 수 있도록 공개되어 있습니다. 향에 연구팀은 더 많은 이미징 기술에 대한 지원을 추가하고, 프로세스의 초기 단계들을 완전히 오픈 소스로 만들어 독점 소프트웨어에 대한 의존성을 제거할 계획입니다. 현재로서는 SpaceBlocks가 조직 매핑을 위한 새로운 세대의 기계들로부터 나오는 방대하고 복잡하며 다양한 데이터를 이해하는 방법, 즉 조직의 이야기가 명확하고 정확하게 전달되도록 하는 실질적인 해결책으로 자리 잡고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.