Kuten keskustelua on vaikea ymmärtää ilman sen kontekstia, biologien voi olla vaikea ymmärtää geenien ilmentymisen merkitystä tuntematta solun ympäristöä. Tämän ongelman ratkaisemiseksi Princeton Engineeringin tutkijat ovat kehittäneet menetelmän solun ympäristön selvittämiseksi, jotta biologit voivat antaa enemmän merkitystä geenin ilmentymisinformaatiolle.
Tietojenkäsittelytieteen professori Ben Raphaelin johtamat tutkijat toivovat, että uusi järjestelmä avaa oven harvinaisten solutyyppien tunnistamiseen ja syövän hoitovaihtoehtojen valitsemiseen uudella tarkkuudella. Raphael on vanhempi kirjoittaja menetelmää kuvaavassa artikkelissa, joka julkaistiin 16. toukokuuta Nature Methodsissa.
Perustekniikka, jolla geenin ilmentyminen yhdistetään solun ympäristöön, nimeltään spatial transkriptomiikka (ST), on ollut käytössä useita vuosia. Tutkijat jakavat kudosnäytteet mikromittakaavaan ja yhdistävät jokaisen ruudukon pisteen geenien ilmentymistä koskeviin tietoihin. Ongelmana on, että nykyiset laskennalliset työkalut voivat analysoida geeniekspression spatiaalisia malleja vain kahdessa ulottuvuudessa. Kokeita, joissa käytetään useita viipaleita yhdestä kudosnäytteestä - kuten aivojen, sydämen tai kasvaimen alueesta - on vaikea syntetisoida täydelliseksi kuvaksi kudoksen solutyypeistä.
Princetonin tutkijoiden menetelmä, nimeltään PASTE (for Probabilistic Alignment of ST Experiments), integroi tietoa useista samasta kudosnäytteestä otetuista siivuista ja tarjoaa kolmiulotteisen kuvan geenin ilmentymisestä kasvaimessa tai kehittyvässä elimessä. Kun sekvenssin kattavuus kokeessa on rajoitettu teknisistä tai kustannussyistä johtuen, PASTE voi myös yhdistää tiedot useista kudosviipaleista yhdeksi kaksiulotteiseksi konsensusviipaleeksi, jossa on rikkaampaa geeniekspressiotietoa.
"Menetelmämme motiivina oli havainto, että biologit tekevät usein useita kokeita samasta kudoksesta", Raphael sanoi. "Nyt nämä toistetut kokeet eivät ole täsmälleen samoja soluja, mutta ne ovat samasta kudoksesta ja siksi niiden pitäisi olla hyvin samanlaisia."
Tiimin tekniikka voi kohdistaa useita viipaleita yhdestä kudosnäytteestä ja luokitella solut niiden geeniekspressioprofiilien perusteella ja säilyttää samalla solujen fyysisen sijainnin kudoksessa.
Projekti alkoi kesällä 2020, kun Max Land, Princeton's Class 2021 -luokan matematiikan keskittäjä, suoritti Raphaelin kurssin "Algoritms in Computational Biology". Innostuneena nopeasti kehittyvästä kentästä ja mahdollisuudesta parantaa ymmärrystä ihmisten terveydestä ja sairauksista, Land lähestyi Raphaelia osallistuakseen tutkimukseen ja ryhtyi kehittämään koodia, josta tuli PASTE-menetelmä. Häntä neuvoivat Raphael ja johtava tutkimuksen kirjoittaja Ron Zeira, entinen tohtorintutkija Princetonissa, joka on nyt tutkija Tarkkuusterveysyhtiö Verilyssä.
Työ oli Landin vanhemman opinnäytetyön keskipiste, ja hän kirjoitti paperin Zeiran, Raphaelin ja tietojenkäsittelytieteen tohtori Alexander Strzalkowskin kanssa. opiskelija. Nyt laskennallinen biologi Memorial Sloan Kettering Cancer Centerissä New Yorkissa, Land sanoi, että Zeiran ja Raphaelin mentorointi on ollut ratkaisevassa asemassa hänen etsiessään tutkijanuraa.
Tiimi kehitti menetelmänsä käyttämällä simuloituja geenien ilmentymistietoja rintakasvaimen spatiaalisen transkriptomiikan tutkimuksesta, jossa kudosviipaleiden välinen vastaavuus määritettiin aiemmin. Sitten he arvioivat menetelmää aivojen prefrontaalisen aivokuoren näytteistä kerätyillä tiedoilla, joilla on tunnettu rakenne, joka koostuu eri solutyyppien kerroksista, joilla on ainutlaatuiset geeniekspressioallekirjoitukset.
Tutkijat käyttivät PASTEa myös neljän eri potilaan ihosyöpäbiopsiasta kerättyihin tietoihin. Aiempi analyysi näistä tiedoista oli ehdottanut monimutkaista solutyyppien tilkkutäkkiä, joissa oli paljon sekoittuneita syöpäsoluja ja terveitä soluja. PASTE-menetelmä paljasti kuitenkin, että näennäinen alhainen spatiaalinen koherenssi kolmessa potilaan näytteessä johtui todennäköisesti kokeiden alhaisesta sekvenssipeitosta. Uusi analyysi osoitti, että solut ryhmiteltiin vierekkäisemmiksi klustereiksi, mikä on biologisesti uskottavampi skenaario.
"Kun olemme integroineet useita näistä viipaleista ja lisänneet tehokkaasti datan kattavuutta, saamme alueellisesti yhtenäisempiä soluryhmiä, mikä on järkevämpää kuin jokaisen solutyypin sijoittaminen satunnaisesti kudokseen", Zeira sanoi.
Tähän mennessä suurin ryhmän analysoima tietojoukko oli sydänkudoksen näyte, jossa on yhdeksän viipaletta, mutta he ovat keskittyneet kokeisiin hiiren alkioista, joissa on yli 30 viipaletta. Laskennallisten näkökohtien lisäksi tämän mittakaavan spatiaalisen transkriptomiikan kokeet ovat edelleen kalliita monille laboratorioille, Raphael sanoi.
Silti hän lisäsi: "Toivomme, että PASTE:n kaltaisen työkalun käyttö rohkaisee useampia tutkijoita suorittamaan kopioita kokeita, koska nyt he voivat itse asiassa käyttää lisäosien tietoja tavalla, jota he eivät voineet helposti tehdä aiemmin."
Tutkimusartikkelia "Alignment and Integration of Spatial Transcriptomics Data" tuki Yhdysvaltain kansallisen syöpäinstituutin rahoituksella.
Viite: Zeira R, Land M, Strzalkowski A, Raphael BJ. Tilallisen transkriptomiikan kohdistaminen ja integrointi. Nat Methods. 2022. doi: 10.1038/s41592-022-01459-6
Tämä artikkeli on julkaistu uudelleen seuraavista materiaaleista. Huomautus: materiaalia on saatettu muokata pituuden ja sisällön suhteen. Lisätietoja saat ottamalla yhteyttä mainittuun lähteeseen.
