Method Article

مجموعات بيانات النسخ المكانية للتنقيب باستخدام DeepSpaceDB

DOI:

10.3791/68892

⸱

September 5th, 2025

 ,  ,  ,  ,  ,  , 
1Department of Integrative Bioanalytics, Institute of Development, Aging and Cancer, Tohoku University, 2Department of Life Science and Medical Bioscience, Graduate School of Advanced Science and Engineering, Waseda University, 3Department of Rehabilitation Medicine, Tohoku University Graduate School of Medicine, 4Institute for Life and Medical Sciences, Kyoto University, 5Inter-Organ Communication Research Team, Institute for Life and Medical Sciences, Kyoto University, 6Institute for Liberal Arts and Sciences, Kyoto University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه المقالة بروتوكولا لاستخدام DeepSpaceDB ، وهي قاعدة بيانات ديناميكية وتفاعلية للنسخ المكانية ، وتقدم مهام سير عمل وأمثلة للتحليل لاستكشاف تنظيم الأنسجة والتعبير الجيني المرتبط بالأمراض.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

النسخ المكانية هي تقنية سريعة التطور تتيح التقاط أنماط التعبير الجيني في عينات الأنسجة مع الحفاظ على المعلومات الموضعية. لها تطبيقات واسعة النطاق في البحوث البيولوجية والمعلوماتية الحيوية ، مما يسمح للباحثين بالتحقيق في الاختلافات المكانية في التعبير الجيني وتتبعها عبر الأنسجة والظروف والأمراض المختلفة. مع اكتساب تحليل بيانات النسخ المكانية زخما ، يرتفع عدد مجموعات البيانات المتاحة للجمهور. ومع ذلك ، تظل النسخ المكانية تقنية تجريبية عالية التخصص ، مع قيود فنية ومالية كبيرة. لتسهيل الوصول إلى البيانات المكانية ، قمنا مؤخرا بتطوير DeepSpaceDB ، وهي قاعدة بيانات شاملة وديناميكية لاستكشاف بيانات النسخ المكانية. تقدم هذه المقالة مهام سير عمل مفصلة توضح مكونات قاعدة البيانات والتنقل فيها بمساعدة بعض الأمثلة. أولا ، يتم عرض تحليل عينة دماغ الفأر ، واستكشاف مؤشرات الجودة ، والجينات والمسارات المتغيرة مكانيا ، واختلافات التعبير الجيني بين الحصين وما تحت المهاد. بعد ذلك ، يتم استكشاف تحديد وتعليق الجينات المعبر عنها تفاضليا المرتبطة بالنشاط المناعي من خلال مقارنة المناطق النقيلية ذات الأصل القولون والمستقيم مع المناطق البعيدة من الأنسجة السليمة في كبد الفئران. يعمل DeepSpaceDB ، بأدواته المتقدمة وميزاته التفاعلية ، كمورد قيم لأبحاث النسخ المكانية ، مما يتيح استكشاف أعمق لتنظيم الأنسجة وبيولوجيا الأمراض.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

النسخ المكانية هي تقنية جديدة تمكن الباحثين من تحليل التعبير الجيني مع الاحتفاظ بالمعلومات المكانية داخل قسم الأنسجة ، وبالتالي تمكين دراسة بنية الأنسجة ، وعدم التجانس الخلوي ، والتأثيرات البيئية الدقيقة بدقة غير مسبوقة1،2. ومع ذلك ، على الرغم من إمكانات هذه التكنولوجيا ، لا يزال الوصول والتحليل محدودين ، وعلم النسخ المكاني باهظ التكلفة للعديد من المختبرات ، ويتطلب تحليل البيانات مهارات معلوماتية حيوية متقدمة.

يعد تطوير قواعد البيانات العامة إحدى الطرق لتوسيع نطاق الوصول إلى هذه الطريقة التجريبية الناشئة. تم إنشاء العديد من قواعد بيانات النسخ المكانية. الأول كان SpatialDB ، لكنه يحتوي فقط على عدد محدود من العينات ولم يتمتحديثه 3. تتضمن قواعد بيانات SODB و SOAR و STOmicsDB أعدادا كبيرة من العينات من العديد من الأنظمة الأساسية المختلفة وتؤدي دورا كبيرا كمستودعات بيانات4،5،6. ومع ذلك ، فإن أدوات التحليل محدودة وتفتقر إلى التفاعل. لمعالجة هذه المشكلة ، قمنا مؤخرا بتطوير DeepSpaceDB ، وهي قاعدة بيانات منسقة وسهلة الاستخدام لمجموعات بيانات النسخ المكانية المتاحة للجمهور والمصممة لتقليل الحواجز التقنية وتوسيع إمكانية الوصول7. توضح هذه المقالة العديد من الأدوات في قاعدة البيانات هذه ، بما في ذلك البحث في قاعدة البيانات ، وفحص جودة العينة ، وأدوات التصور ، ومقارنة المناطق المحددة بشكل تفاعلي داخل شرائح الأنسجة. يقدم بروتوكولات مفصلة باستخدام مثالين تمثيليين: تحليل عينة من دماغ الفأر وكبد الفئران مع نقائل القولون والمستقيم لإثبات هذه الأدوات في سياقات عملية. من خلال هذه الأدوات ، تمكن DeepSpaceDB مجموعة واسعة من الباحثين من الاستفادة من النسخ المكانية دون الحاجة إلى بياناتهم الخاصة أو قدرات المعلوماتية الحيوية الداخلية. ويقدم Honcharuk et al7 وصفا شاملا لجمع البيانات ومراقبة الجودة وسير عمل المعالجة، فضلا عن البيانات والميزات المدرجة في DeepSpaceDB.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. مثال 1: تحليل عينة من دماغ الفأر

ملاحظة: في هذا القسم ، يتم توضيح تحليل عينة دماغ الفأر ، والتنقل عبر الميزات والمخططات المختلفة المتوفرة في DeepSpaceDB (يتوفر رابط لقاعدة البيانات في جدول المواد).

  1. اختيار العينة
    1. انقر فوق علامة التبويب قاعدة البيانات واستخدم عامل التصفية لتحديد فأر الكائن الحي ودماغ العضو ومصدر زينودو. انتقل عبر العينات الناتجة ، وحدد عينة DSID001557. بدلا من ذلك، استخدم مربع البحث للبحث في قاعدة البيانات عن المصطلح "DSID001557" وحدد هذا النموذج.
    2. انقر على العينة وتأكد من الوصف على أنه 2 × 106 خلايا في 100 ميكرولتر من الخلايا المالحة NK (الحقن الأول مرة واحدة في الأسبوع بإجمالي 5 مرات).
  2. تحليل الجودة
    1. انقر فوق علامة التبويب الجودة لتقييم جودة العينة المحددة. من القائمة المنسدلة لمقاييس الجودة ، حدد خيارات مختلفة مثل الجينات المكتشفة (الشكل 1 أ) ، وعدد القراءة (الشكل 1 ب) ، وميتو (الشكل 1 ج) ، لتصور المعلمات المعنية في كل بقعة عبر شريحة العينة.
  3. التعليق التوضيحي للصور
    1. انتقل إلى علامة التبويب التعليق التوضيحي للصورة لتحديد المناطق المختلفة لشريحة العينة.
    2. حرك مؤشر الماوس فوق شريحة العينة. يتم عرض التعليقات التوضيحية التي تنبأ بها نموذج لغة كبير (LLM) لأجزاء من صورة العينة بطريقة قائمة على الشبكة ، مع معلومات حول التشريح والحالةالمرتبطة به 8.
  4. تحليل المجموعات
    1. للحصول على فهم أعمق لمجموعات أنواع الخلايا في شريحة العينة، انتقل إلى علامة التبويب المجموعات . سيتم عرض تضمين ثنائي الأبعاد للمجموعات ، جنبا إلى جنب مع تمثيل للمجموعات المرمزة بالألوان عبر البقع الموجودة على شريحة العينة (الشكل 1E).
  5. الجينات والمسارات المتغيرة مكانيا
    1. انتقل إلى علامة التبويب الجينات ولاحظ الجينات المتغيرة مكانيا (SVG ؛ الجينات التي تختلف مستويات التعبير عنها عبر مواقع الأنسجة) في العينة9،10. يتم التنبؤ ب SVGs هذه باستخدام وظيفة singleCellHaystack ، والتي تتبنى مقياس اختلاف Kullback-Leibler (D_KL في الجدول) لتقييم مدى تميز نمط التعبير لكل جين عما هو متوقع بشكل عشوائي (الشكل 2). يتم سرد الجينات ذات القيمة p المنخفضة (log.p.adj سالب كبير في الجدول) على أنها SVGs.
      ملاحظة: تمت تسوية بيانات التعبير الجيني باستخدام المعلمات الافتراضية المستخدمة في الحزمة11 من Seurat R (الإصدار 5). من الناحية العملية ، تم تقسيم قراءات كل جين في كل بقعة على العدد الإجمالي للقراءات في تلك البقعة ، وضربها في عامل المقياس 10,000. بعد ذلك ، تم حساب اللوغاريتم الطبيعي بعد إضافة 1 ، لتجنب مشاكل السجل (0). تعرض المخطط الموضحة في علامة التبويب الجينات هذه البيانات الطبيعية.
    2. انقر فوق بعض أهم الجينات في القائمة. يؤدي هذا إلى إنشاء مخطط مكاني للجينات عبر شريحة الأنسجة ، مع وجود بقع مشفرة بالألوان لمستوى التعبير (الشكل 2). الجينات ذات الدرجات الأعلى لها أنماط مكانية مميزة للتعبير بوضوح.
    3. انتقل إلى علامة التبويب المسارات لفحص نشاط مجموعات الجينات (على سبيل المثال ، الجينات المرتبطة بمسار بيولوجي مشترك) بدلا من الجينات الفردية. يتم سرد المسارات المتغيرة مكانيا بطريقة مشابهة ل SVGs التي تمت مناقشتها أعلاه (الشكل 3). يتم تقدير أنشطة المسار بناء على مستويات التعبير عن الجينات المرتبطة بها7،11.
      ملاحظة: تم تقدير أنشطة المسار باستخدام دالة حزمة Seurat R addModuleScore11. باختصار ، تأخذ هذه الوظيفة كمدخلات مجموعة من الجينات (على سبيل المثال ، مجموعة من الجينات المشاركة في مسار مشترك) وتعيد متوسط مستويات التعبير الخاصة بها ، بعد عدة خطوات معالجة. من الناحية العملية ، تشير القيم الإيجابية إلى نشاط أعلى من المتوسط ، والقيم السلبية أقل من المتوسط النشاط. تعرض المخطط المعروض في علامة التبويب المسارات بيانات درجة الوحدة النمطية هذه.
    4. انقر فوق بعض أهم المسارات في القائمة. يؤدي هذا إلى إنشاء مخطط مكاني للمسارات عبر شريحة الأنسجة ، مع وجود بقع مرمزة بالألوان لمستوى النشاط. العديد من المسارات لها أنماط مكانية مميزة للنشاط (الشكل 3).
  6. مقارنة التعبير الجيني داخل العينة
    1. انتقل إلى علامة التبويب مستكشف الأنسجة وحدد التحديد اليدوي (إذا لم يتم تحديده بعد). بعد ذلك ، استخدم مؤشر الماوس لتحديد البقع الموجودة في منطقة الحصين لشريحة دماغ الفأر ، على الجانب الأيسر. انقر فوق المجموعة 1 ، وحدد إضافة إلى التعيين. سيؤدي ذلك إلى إبراز جميع النقاط المحددة على الشريحة على الجانب الأيمن (الشكل 4 أ).
    2. انقر الآن على المجموعة 2 ، واستخدم مؤشر الماوس لتحديد البقع الموجودة في منطقة ما تحت المهاد لشريحة دماغ الفأر. انقر فوق إضافة للتعيين ، والذي سيبرز جميع النقاط المحددة على الشريحة على الجانب الأيمن (الشكل 4 أ).
    3. بعد الانتهاء من عملية الاختيار الموضعي ، انقر فوق الزر "مقارنة التعبير الجيني ". سيؤدي هذا إلى إنشاء جدول بمتوسط قيم التعبير الجيني للبقع المحددة بين كلتا المنطقتين ، جنبا إلى جنب مع تمثيل مخطط مبعثر. حرك المؤشر فوق البقع الفردية لتأكيد أسماء الجينات ومتوسط التعبير عن الجينات في كلتا المنطقتين.
    4. بناء على نتائج مقارنة التعبير الجيني ، حدد الجينات المعبر عنها تفاضليا وأعد الانتقال إلى علامة التبويب الجينات لتصور تعبيرها عبر شريحة العينة (الشكل 4 ب ، ج).
      ملاحظة: من خلال الخطوات المفصلة أعلاه ، يمكن استخدام DeepSpaceDB للتحقيق في ميزات عينة النسخ المكانية لدماغ الفأر.

2. مثال 2: تحديد وشرح الجينات المعبر عنها تفاضليا المرتبطة بالنشاط المناعي في المناطق النقيلية ذات الأصل القولون والمستقيم في كبد الفئران

ملاحظة: يتم استكشاف مقارنة داخل العينة في القسم الحالي. يتضح ذلك من خلال تحديد الجينات المعبر عنها بشكل تفاضلي والتعليق عليها بين المناطق النقيلية ذات الأصل القولون والمستقيم ، والمناطق البعيدة من الأنسجة السليمة داخل قسم الكبد ، بناء على عينتين مختلفتين. يتم تصور التعبير المكاني لجينات معينة غير منظمة ذات صلة بالنشاط المناعي بشكل أكبر في أقسام الأنسجة.

  1. التنقل في قاعدة البيانات واختيار النماذج
    1. انقر فوق علامة التبويب قاعدة البيانات واستخدم الفلتر لتحديد فأر الكائن الحي وكبد الأعضاء وحالة السرطان. من العينات الناتجة ، حدد عينة DSID001005. انقر على العينة وتأكد من الوصف الذي يفيد بأن العينة مأخوذة من كبد فأر يحتوي على ورم خبيث من أصل سرطان القولون والمستقيم.
    2. انتقل إلى علامة التبويب مستكشف الأنسجة وحدد التحديد اليدوي. بعد ذلك ، باستخدام مؤشر الماوس ، حدد البقع الموجودة في منطقة الورم (نقائل القولون والمستقيم) لعينة الكبد DSID001005 ، والتي تم تحديدها بناء على التعبير الإيجابي لعلامة Epcam (الشكل 5 أ). انقر فوق المجموعة 1 ، وحدد إضافة إلى التعيين. هذا يسلط الضوء على جميع النقاط المحددة على الشريحة على الجانب الأيمن (الشكل 5C).
    3. انقر الآن على المجموعة 2 ، واستخدم مؤشر الماوس لتحديد البقع في المنطقة البعيدة غير الورمية لعينة الكبد. انقر فوق إضافة للتعيين ، والذي سيسلط الضوء على جميع النقاط المحددة على الشريحة على الجانب الأيمن (الشكل 5 ج).
  2. مقارنة التعبير الجيني بين البقع المختارة
    1. بعد الانتهاء من عملية الاختيار الموضعي ، انقر فوق الزر "مقارنة التعبير الجيني ". يؤدي هذا إلى إنشاء جدول يحتوي على متوسط قيم التعبير الجيني للنقاط المحددة بين كلتا المنطقتين ، جنبا إلى جنب مع تمثيل مخطط مبعثر. حرك مؤشر الماوس فوق البقع الفردية وافحص أسماء الجينات ومتوسط التعبير عن الجينات في كلتا المنطقتين.
    2. لإجراء تحليل أعمق مع بيانات التعبير الجيني، حدد خيار تنزيل CSV . يؤدي هذا إلى إنشاء ملف قيم مفصولة بفواصل (CSV) لبيانات التعبير الجيني لمنطقتي العينة.
    3. كرر الخطوتين 2.1.1-2.1.3 و 2.2.1-2.2.2 للعينة "DSID001007". تأكد من وصفه على أنه شريحة أخرى من كبد فأر يحتوي على نقائل من أصل سرطان القولون والمستقيم.
  3. تحليل البيانات باستخدام برمجة R
    1. تأكد من أن الخطوات المذكورة أعلاه نتج عنها 2 ملف CSV، أحدهما من DSID001005 العينة والآخر من نموذج DSID001007. يحتوي كلا الملفين على عمودين يمثلان متوسط التعبير الجيني في الاختيارين (أنسجة الورم والأنسجة غير الورمية) التي تم إجراؤها في كل عينة.
    2. اقرأ ملفات CSV في R ودمجها لمزيد من التحليل النهائي مع تكرارين لكل حالة (أي منطقة الورم مع نقائل سرطان القولون والمستقيم ، والأنسجة السليمة البعيدة في الكبد). ارجع إلى البرنامج النصي R وملفات البيانات في المواد التكميلية.
    3. استخدم حزمة limma (الإصدار 3.62.2) في R (الإصدار 4.4.2)12 لإجراء تحليل التعبير التفاضلي للبيانات ، وتصنيف مناطق النقائل القولونية والمستقيمية لكلتا العينتين على أنها سرطان ، والمناطق البعيدة والصحية لكلتا العينتين كعنصر تحكم. احصل على الجينات المنظمة باستخدام مرشح logFC > 0.5 وقيمة p المعدلة < 0.05. وبالمثل ، احصل على الجينات التي تم تنظيمها بمرشح logFC < -0.5 وقيمة p المعدلة < 0.05.
      ملاحظة: تستخدم هذه المجموعات من الجينات لتحديد المسارات البيولوجية التي تتأثر بالورم في الخطوة التالية (الشكل 6 أ ، ب).
    4. استخدم حزمة clusterProfiler (الإصدار 4.14.6) في R13 لإجراء تحليل مسارات موسوعة كيوتو للجينات والجينومات (KEGG) 14 للجينات التي تم تنظيمها وتنظيمها. استنادا إلى مرشح صارم لقيمة q < 0.05 ، حدد المسارات المهمة المرتبطة بالجينات التي تم تنظيمها وتنظيمها. ركز على الجينات المرتبطة بالمسارات المناعية أو الأنشطة المناعية أو التوقيعات ذات الصلة (الشكل 6 ب).
  4. التنقيب عن البيانات الخاصة بالجينات
    1. بعد ذلك ، ابحث عن أسماء الجينات في قسم الجينات المتغيرة مكانيا لتأكيد التعبير المكاني للجينات المستهدفة. انقر فوق اسم الجين لإنشاء مخطط مكاني للجين عبر شريحة الأنسجة ، مع وجود بقع مشفرة بالألوان لمستوى التعبير (الشكل 7).
    2. تحديد جينات معينة ذات أنماط تعبير مكانية في موقع نقائل القولون والمستقيم ، مقابل أنسجة الكبد البعيدة والسليمة. يمكن استكشاف الأهمية الوظيفية للجينات أو تعبيرها في الأعضاء أو الحالات الأخرى في قاعدة البيانات.
    3. حدد علامة التبويب بحث ، واختر الأنواع كماوس. انقر فوق خيار البحث حسب الجين ، واكتب اسم الجين. سيتم عرض نظرة عامة على توزيع الأعضاء والحالة للجينات ويمكن تحليلها بشكل أكبر.
      ملاحظة: من خلال الخطوات المفصلة أعلاه ، يمكن استخدام DeepSpaceDB للتحقيق في أنماط التعبير الجيني بين المناطق النقيلية وغير النقيلية في عينات النسخ المكانية لكبد الفأر.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أظهر المثال 1 تحليل عينة من دماغ الفأر ، والتحقق من صحة المعلمات مثل عدد القراءة ، والجينات والمسارات المتغيرة مكانيا ، واختلافات التعبير الجيني بين الحصين والقشرة. أولا ، تم تقييم جودة عينة دماغ الفأر DSID001557 مقابل العديد من مقاييس الجودة: "الجينات المكتشفة" (الشكل 1 أ) ، "عدد القراءة" (الشكل 1 ب) ، و "ميتو" (النسبة المئوية لقراءات الميتوكوندريا. الشكل 1 ج). سلط هذا الضوء بوضوح على منطقة ذات جودة أقل على الجانب الأيسر من عينة الدماغ ، بناء على العدد المنخفض للجينات المكتشفة وانخفاض عدد القراءات. لفهم الجودة النسبية للعينة مقابل جميع العينات الأخرى، تم النقر فوق علامة التبويب الجودة النسبية للعينة في قاعدة البيانات، والتي عرضت رسما بيانيا للعدد مقابل لا. من الجينات المكتشفة لكل بقعة (متوسط). بالنسبة للعينة التي يتم تحليلها ، تم اكتشاف ما بين 3500-4000 جين لكل بقعة (الشكل 1 د). تم تحليل الميزات التشريحية للعينة بشكل أكبر باستخدام علامة التبويب التعليقات التوضيحية للصورة . كملاحظة عامة ، تم إنشاء هذه التعليقات التوضيحية عن طريق قص صور الأنسجة إلى أجزاء أصغر ومطالبة LLM بوصف الميزات التي يمكن ملاحظتها8. إنها مؤشرات تقريبية للمساعدة في تفسير العينة وتحتاج إلى تفسيرها بعناية. بالنسبة لمجموعة فرعية من العينات (خاصة عينات سرطان الثدي البشرية) ، تتوفر أيضا تعليقات توضيحية من قبل أخصائي بشري. ومع ذلك ، بالنظر إلى انخفاض جودة صور Visium H & E مقارنة بالصور المستخدمة في التشخيص الروتيني ، فإن التعليقات التوضيحية المقدمة هي لأغراض البحث فقط. بالنسبة للعينة DSID001557 ، حرك المؤشر فوق الشريحة المعروضة التعليقات التوضيحية للمناطق المختلفة من دماغ الفأر ، مثل منطقة الحصين ، والطبقات القشرية ، والطبقات الخلوية الكثيفة المصابة بالدبقية ، وما إلى ذلك. من خلال فهم السمات التشريحية الأساسية لشريحة العينة ، تم استكشاف الميزات التفصيلية مثل مجموعات نوع الخلية والجينات والمسارات المتغيرة مكانيا. تحتوي عينة دماغ الفأر على 15 مجموعة في المجموع ، والتي تم تمثيلها بترميز لوني عبر شريحة العينة (الشكل 1E). بعض الجينات المتغيرة مكانيا المرتبطة بالعينة هي Nrgn و Slc17a7 و Ly6h و Ddn (الشكل 2). أظهر Nrgn تعبيرا عاليا في منطقة الحصين ، وفقا للأدلة الأدبية التي تشير إلى دور البروتين المشفر ب Nrgn (neurogranin) في التوسط في اللدونة المشبكية والتعلم المكاني15. Slc17a7 ، وهو ترميز جيني لناقل الغلوتامات الحويصلي الحاسم للانتقال العصبي في الخلايا العصبية الجلوتامينرجية16 ، و Ddn ، وهو ترميز جيني لبروتين يعدل بنية الهيكل الخلوي بعد التشابك17 ، تم التعبير عنه بشكل كبير في منطقة الحصين. في المقابل ، تم توطين التعبير عن الجين Ly6h في المنطقة القشرية ، وفقا للأدبيات التي تشير إلى الدور المشبكي المقيد ل Ly6h في أغشية الخلايا القشرية18. بطريقة مماثلة ، تم تصور نشاط المسارات عبر شريحة العينة (الشكل 3). لوحظ أن المسارات المتغيرة مكانيا يتم تنشيطها بما يتفق مع الأدوار الوظيفية للجينات المتغيرة مكانيا ، مع تنظيم اللدونة المشبكية ونشاط الناقل العصبي في منطقة الحصين ، وإشارات الببتيد العصبي في المنطقة القشرية.

أخيرا ، لتحديد الجينات المعبر عنها بشكل تفاضلي بين منطقة الحصين وما تحت المهاد لعينة دماغ الفأر ، تم استخدام علامة التبويب مستكشف الأنسجة . تم اختيار النقاط المرتبطة بمناطق الاهتمام بتوجيه من التعليق التوضيحي للصورة (الشكل 4 أ). من المخطط المبعثر الذي تم إنشاؤه ، كانت بعض الجينات المعبر عنها تفاضليا التي تم تحديدها من بين الجينات المتغيرة مكانيا (Nrgn ، Slc17a7 ، Ddn) ، بالإضافة إلى عدد قليل من الجينات الأخرى ، مثل Pmch و Ttr. تم تصور التعبير عن هذه الجينات في شريحة العينة. تم الإفراط في التعبير عن Pmch على وجه التحديد في منطقة ما تحت المهاد الجانبية (الشكل 4 ب ؛ مقارنة بالمنطقة الخضراء المختارة في الشكل 4 أ). يقوم هذا الجين بتشفير مقدمة هرمون تركيز الميلانين ، ويشارك في الحفاظ على توازن الطاقة19. في المقابل ، تم التعبير عن الجين Ttr على وجه التحديد في منطقة الحصين (الشكل 4 ج ؛ مقارنة بالمنطقة الحمراء المختارة في الشكل 4 أ) ، وفقا لدوره الوظيفي في التعلم والذاكرة المكانية20. من خلال إجراء مقارنات داخل العينة بين مناطق دماغ الفئران المختلفة باستخدام قاعدة البيانات هذه ، تمكنا من تسليط الضوء على السمات الوظيفية الخاصة بالمنطقة بناء على التعبير الجيني المكاني ونشاط المسار.

في المثال 2 ، تم استخدام قاعدة البيانات لتحديد التوقيعات المناعية المرتبطة بنقائل القولون والمستقيم في الكبد. تم إجراء مقارنة داخل العينة بين منطقة الورم مع نقائل القولون والمستقيم وأنسجة الكبد البعيدة والصحية ، من خلال اختيار البقعة المناسبة للعينتين: DSID001005 (الشكل 5A-C) و DSID001007 (الشكل 5D-F). أعيد تحليل البيانات باستخدام نسختين مكررتين لكل حالة باستخدام R. كشف تحليل التعبير التفاضلي الذي تم إجراؤه بين منطقة الورم مع ورم خبيث في القولون والمستقيم وأنسجة الكبد السليمة عن تقليل تنظيم 138 جينا وتنظيم 115 جينا ، بناء على المعلمات المحددة (الشكل 6 أ ، ب). أظهر تحليل مسار KEGG إثراء مسارات الجينات التي تم تنظيمها ، مثل التمثيل الغذائي للأدوية وتكوين السرطان الكيميائي (الشكل 6 ج) ، بينما أظهرت الجينات المنظمة توقيعات تتوافق مع الهجرة عبر البطانية للكريات البيض ، والالتصاق البؤري ، ودورة الخلية ، من بين أمور أخرى (الشكل 6 د). مع التركيز على أهمية الهجرة عبر الكريات البيض عبر البطانية للنشاط المناعي ، تم تحديد الجينات الرئيسية المكتشفة في الفئة ، ولوحظ تعبيرها المكاني في DeepSpaceDB. ومن المثير للاهتمام ، أن الجينات Cldn7 و Cldn4 و Actg1 التي تم اكتشافها تحت فئة الهجرة عبر البطانية للكريات البيض ، أظهرت تنظيما في منطقة الورم (موقع Epcam +) للعينات ، وليس في المنطقة البعيدة ذات أنسجة الكبد السليمة (الشكل 7). قدم هذا نظرة ثاقبة لطبيعة النشاط المناعي المدفوع في موقع الورم في الكبد ، مع التجنيد النشط للكريات البيض. باختصار ، يتيح التحليل داخل العينة باستخدام DeepSpaceDB استخراج رؤى بيولوجية متنوعة. من خلال مقارنة بيانات النسخ المكاني من خلال الأدوات التفاعلية وسير عمل إعادة التحليل ، يمكن للباحثين إنشاء والتحقق من صحة الفرضيات المتعلقة بالتعبير الجيني الخاص بالأنسجة وعدم التجانس الوظيفي.

figure-results-1
الشكل 1: مقاييس جودة العينة. (أ) عدد الجينات المكتشفة ، (ب) عدد القراءة ، و (ج) النسبة المئوية لقراءات الميتوكوندريا لكل بقعة. (د) متوسط عدد الجينات المكتشفة لكل بقعة في هذه العينة ، مقارنة بتوزيع جميع العينات الأخرى في قاعدة البيانات. (ه) مجموعات موضعية عبر شريحة الأنسجة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: التعبير عن الجينات المتغيرة مكانيا العليا. (أ) Nrgn ، (B) Slc17a7 ، (C) Ly6h ، و (D) Ddn. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: نشاط المسارات المتغيرة مكانيا العليا. (أ) إشارات الببتيد العصبي ، (ب) تنظيم اللدونة المشبكية ، (ج) نقل الناقل العصبي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: مقارنة أنماط التعبير الجيني بين منطقتين مختارتين من دماغ الفأر. (أ) اختيار البقع في مناطق ما تحت المهاد والحصين للمقارنات داخل العينة. تظهر المنطقة المحددة 1 باللون الأحمر والمنطقة 2 باللون الأخضر. أنماط التعبير المكاني للجينات المعبر عنها تفاضليا (B) Pmch و (C) Ttr بين مناطق ما تحت المهاد والحصين. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: خصائص عينتين نقيليتين من كبد الفأر. بالنسبة للعينة DSID001005: (أ) تعبير علامة Epcam ، (ب) مجموعات موضعية ، و (ج) مناطق مختارة في المناطق السرطانية والبعيدة للمقارنات داخل العينة. بالنسبة للعينة DSID001007: (د) تعبير علامة Epcam ، (E) مجموعات البقع ، و (F) المناطق المختارة في المناطق السرطانية والبعيدة للمقارنات داخل العينة. بالنسبة لكلتا العينتين، توجد بقع الورم في المناطق الموضحة باللون الأحمر، والبقع غير الورمية في المناطق الموضحة باللون الأخضر. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-6
الشكل 6: نتائج إعادة التحليل. (أ) ملخص تخطيطي لسير العمل المستخدم في إعادة التحليل. (ب) مخطط بركان يمثل الجينات المعبر عنها تفاضليا بين المناطق السرطانية والبعيدة. إثراء مسار KEGG للجينات (C) المنظمة و (D) الجينات التي تم تنظيمها. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-7
الشكل 7: التعبير المكاني للجينات. (أ) Cldn7 و (B) Cldn4 و (C) Actg1 في شريحة الأنسجة DSID001005. التعبير المكاني للجينات. (د) Cldn7 و (E) Cldn4 و (F) Actg1 في شريحة الأنسجة DSID001007. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الملفات التكميلية 1-4: ملفات البيانات والبرنامج النصي R لمثال ورم خبيث في الكبد. الرجاء النقر هنا لتنزيل هذا الملف.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هنا ، قدمنا بروتوكولين شاملين يحددان التنقل والاسترجاع وتحليل بيانات النسخ المكانية في DeepSpaceDB. بينما تركز معظم قواعد بيانات omics المكانية على جمع البيانات من عدد كبير من العينات ، التي تم إنشاؤها باستخدام منصات مختلفة3،4،5،6 ، يركز DeepSpaceDB على تطوير الأدوات التفاعلية التي تسمح للمستخدمين باستكشاف ميزات النسخ المكاني بعمق وكفاءة. لتمكين هذا المستوى من الوظائف، يركز الإصدار الحالي حصريا على النظام الأساسي Visium. مع ظهور منصات عالية الدقة ، نخطط لتوسيع DeepSpaceDB وفقا لذلك ، وتطوير استراتيجيات جديدة لمعالجة هذه البيانات ودمجها بطريقة سهلة الاستخدام.

يتيح DeepSpaceDB للمستخدمين تقييم مقاييس جودة العينة (على سبيل المثال ، عدد الجينات وعمق القراءة) ومقارنتها عبر مجموعات البيانات. تتضمن قاعدة البيانات تعليقات توضيحية متعددة الطبقات: تجميع غير خاضع للإشراف عبر قاعدة البيانات الكاملة مع الملصقات المعينة ، والكشف المستند إلى LLM للسمات الهيكلية والمرضية من الصور النسيجية ، والتعليقات التوضيحية المتخصصة في علم الأنسجة لمجموعة فرعية متزايدة من العينات. علاوة على ذلك ، يمكن للمستخدمين تحديد المناطق ذات الأهمية داخل العينات أو عبرها بشكل تفاعلي لمقارنة التعبير الجيني ، مما يتيح إجراء دراسات التناقضات المكانية بين مناطق مثل الورم مقابل السدى أو المناطق المريضة مقابل المناطق السليمة. تفتقر هذه الميزات بشكل عام إلى قواعد البيانات الأخرى3،4،5،6. تتوفر أيضا ميزات أخرى ، مثل الجينات والمسارات المتغيرة مكانيا ، وتنبؤات نوع الخلية ، ونتائج التجميع. مجتمعة ، تقلل قاعدة البيانات هذه بشكل كبير من الحواجز التي تحول دون استكشاف بيانات النسخ المكانية. يمكن الوصول إلى عينات من مجموعة واسعة من الأنسجة والحالات بحرية ، ويمكن للمستخدمين التنقل فيها من خلال تفاعلات بسيطة بالإشارة والنقر. لا تتطلب خبرة متقدمة في المعلوماتية الحيوية. ومع ذلك ، من المحتمل أن تكون بعض المعرفة المسبقة بجينات العلامات وبنية الأنسجة ضرورية للتفسير الدقيق لأنماط التعبير واختيار المناطق ذات الأهمية في أداة مستكشف الأنسجة.

على الرغم من عدم تقديمها هنا ، يمكن للمستخدمين أيضا تحميل العينات الخاصة بهم وتطبيق العديد من الأدوات نفسها لتحليلها. تدعم قاعدة البيانات أيضا المقارنات بين العينات بين شريحتين مختلفتين من الأنسجة ، مما يسمح ، على سبيل المثال ، بإجراء مقارنات بين الأنسجة المريضة وأنسجة التحكم السليمة. أخيرا ، تتوفر البيانات الأولية والمعالجة ، جنبا إلى جنب مع جميع مخرجات التحليل المشتقة ، للتنزيل ، مما يدعم تدفقات العمل النهائية والتحليلات المخصصة. بالنسبة للعديد من هذه الأدوات ، تتوفر مقاطع فيديو تعليمية قصيرة على الصفحة التعليمية لقاعدة البيانات.

لا تزال هناك جوانب في قاعدة البيانات تحتاج إلى تحسين. أحدهما هو التنبؤ الدقيق بأنواع الخلايا وتركيبات نوع الخلايا في كل موقع داخل شرائح الأنسجة. في الإصدار الحالي من DeepSpaceDB (الإصدار 1.0) ، توقعنا تكوين نوع الخلية لكل بقعة Visium باستخدام طريقة تسمى تحلل نوع الخلية القوي (RCTD) 21. كان أداء RCTD جيدا نسبيا في دراسة معياريةحديثة 22. يمكن أيضا التحقق من صحة التنبؤات التي قدمتها RCTD تجريبيا في دراستنا الحديثة لكبد الفئران الحاملة للسرطان23. ومع ذلك ، لم يتم إجراء تقييم شامل لدقة تنبؤات نوع الخلية. هناك مشكلة ذات صلة وهي أن RCTD وطرق التنبؤ بنوع الخلية الأخرى تتطلب مجموعة بيانات مرجعية مع أنواع الخلايا المشروحة. بشكل عام ، يتم التنبؤ بأنواع الخلايا (أو تركيبات نوع الخلية) في كل موقع مكاني من خلال المقارنة مع أنماط التعبير الجيني في مجموعة البيانات المرجعية هذه. ومع ذلك ، فإن اختيار مرجع مناسب لكل عينة Visium ليس دائما سهلا. قد تفتقر المراجع إلى أنواع الخلايا الرئيسية ، أو ، على العكس من ذلك ، قد تتضمن أنواعا من الخلايا غير موجودة في شريحةالأنسجة 24. علاوة على ذلك ، داخل نوع واحد من الخلايا ، يمكن أن تكون الخلايا في حالات مختلفة تماما ، مثل الخلايا المناعية غير النشطة مقابل الخلايا المناعيةالمنشطة 25. لا تتطابق حالات الخلايا الموجودة في مجموعات البيانات المرجعية بالضرورة مع حالات العينات المكانية ، والتي غالبا ما يتم الحصول عليها من نماذج المرض للمرضى. من المحتمل أن تؤدي كلتا المسألتين إلى تنبؤات غير دقيقة. ونأمل أن نعالج هذه المسألة في المستقبل.

مع استمرار مجال النسخ المكانية في التطور بسرعة ، يتم تطوير عدد متزايد من الأدوات الحسابية لتحليل جوانب متنوعة من البيانات المكانية ، بما في ذلك تفاعلات الخلية والخلية ، والمجالات المكانية ، والتنبؤ بالجينات المتغيرة مكانيا (انظر ، على سبيل المثال 26،27،28). في حين أن هذا الانتشار يعكس ديناميكية هذا المجال ، فإنه يمثل أيضا تحديا لتنظيم الأدوات ودمجها في قاعدة البيانات هذه. لضمان تضمين أقوى الطرق وأكثرها قابلية للتطبيق على نطاق واسع ، هناك حاجة ملحة لدراسات معيارية منهجية تقيم أداء الأداة عبر مجموعات البيانات ومهام التحليل22،29،30. وستكون هذه الجهود ضرورية لتوجيه الاختيار المستنير لأدوات إدراجها في قاعدة البيانات وتحديد أولوياتها.

بينما تحاول قواعد بيانات النسخ المكانية الأخرى جمع أعداد كبيرة من العينات من العديد من الأنظمة الأساسية المختلفة ، قررنا في DeepSpaceDB استخدام استراتيجية مختلفة: التركيز على عدد قليل من المنصات الشائعة وتنفيذ أدوات تفاعلية وبديهية تسمح للمستخدم باستكشاف البيانات بسهولة بمزيد من التفصيل. على الرغم من أن قاعدة البيانات الخاصة بنا تحتوي فقط على عينات Visium في الإصدار الحالي 1.0، إلا أننا نخطط أيضا لتضمين عينات من الأنظمة الأساسية الأخرى في تحديث مستقبلي.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يود أصحاب البلاغ أن يشكروا ي. تم دعم هذا العمل من قبل JST NBDC (رقم المنحة JPMJND2303 ، A.V.) و AMED (رقم المنحة JP24gm2010003 ، A.V.) تم دعم هذا العمل أيضا من قبل JSPS KAKENHI (20H03451 و 24K02236 و 24KK0147; S.K.), JST FOREST (JPMJFR2062; S.K) ، JST Moonshot (JPMJMS2011-61 ؛ S.K). لم يكن للممولين أي دور في تصميم الدراسة أو جمع البيانات وتحليلها أو قرار النشر أو إعداد المخطوطة.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
clusterProfilerحزمة R - الإصدار 4.14.6
ديب سبيس دي بيالإصدار > 1.0رابط لقاعدة البيانات: www.deepspacedb.com
ليماحزمة R - الإصدار 3.62.2
Rالإصدار 4.4.2
RStudioيفترضإصدار 2024.12

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. The expanding vistas of spatial transcriptomics. Nat Biotechnol. 41 (6), 773-782 (2023).">Tian, L., Chen, F., Macosko, E. Z. The expanding vistas of spatial transcriptomics. Nat Biotechnol. 41 (6), 773-782 (2023).
  2. Museum of spatial transcriptomics. Nat Methods. 19 (5), 534-546 (2022).">Moses, L., Pachter, L. Museum of spatial transcriptomics. Nat Methods. 19 (5), 534-546 (2022).
  3. SpatialDB: A database for spatially resolved transcriptomes. Nucleic Acids Res. 48 (D1), D233-D237 (2020).">Fan, Z., Chen, R., Chen, X. SpatialDB: A database for spatially resolved transcriptomes. Nucleic Acids Res. 48 (D1), D233-D237 (2020).
  4. SODB facilitates comprehensive exploration of spatial omics data. Nat Methods. 20 (3), 387-399 (2023).">Yuan, Z., et al. SODB facilitates comprehensive exploration of spatial omics data. Nat Methods. 20 (3), 387-399 (2023).
  5. STOmicsDB: A comprehensive database for spatial transcriptomics data sharing, analysis and visualization. Nucleic Acids Res. 52 (D1), 1053-1061 (2024).">Xu, Z., et al. STOmicsDB: A comprehensive database for spatial transcriptomics data sharing, analysis and visualization. Nucleic Acids Res. 52 (D1), 1053-1061 (2024).
  6. SOAR elucidates biological insights and empowers drug discovery through spatial transcriptomics. Sci Adv. 11 (24), 7450(2025).">Li, Y., et al. SOAR elucidates biological insights and empowers drug discovery through spatial transcriptomics. Sci Adv. 11 (24), 7450(2025).
  7. DeepSpaceDB: A spatial transcriptomics atlas for interactive in-depth analysis of tissues and tissue microenvironments. bioRxiv. , (2025).">Honcharuk, V., et al. DeepSpaceDB: A spatial transcriptomics atlas for interactive in-depth analysis of tissues and tissue microenvironments. bioRxiv. , (2025).
  8. arXiv. , OpenAI. http://arxiv.org/abs/2303.08774 (2023).">GPT-4 technical report. arXiv. , OpenAI. http://arxiv.org/abs/2303.08774 (2023).
  9. A clustering-independent method for finding differentially expressed genes in single-cell transcriptome data. Nat Commun. 11 (1), 1-10 (2020).">Vandenbon, A., Diez, D. A clustering-independent method for finding differentially expressed genes in single-cell transcriptome data. Nat Commun. 11 (1), 1-10 (2020).
  10. A universal tool for predicting differentially active features in single-cell and spatial genomics data. Sci Rep. 13 (1), 1-14 (2023).">Vandenbon, A., Diez, D. A universal tool for predicting differentially active features in single-cell and spatial genomics data. Sci Rep. 13 (1), 1-14 (2023).
  11. Dictionary learning for integrative, multimodal, and scalable single-cell analysis. Nat Biotechnol. 42 (2), 293-304 (2024).">Hao, Y., et al. Dictionary learning for integrative, multimodal, and scalable single-cell analysis. Nat Biotechnol. 42 (2), 293-304 (2024).
  12. Limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).">Ritchie, M. E., et al. Limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).
  13. ClusterProfiler: An R package for comparing biological themes among gene clusters. OMICS. 16 (5), 284-287 (2012).">Yu, G., Wang, L. G., Han, Y., He, Q. Y. ClusterProfiler: An R package for comparing biological themes among gene clusters. OMICS. 16 (5), 284-287 (2012).
  14. KEGG for taxonomy-based analysis of pathways and genomes. Nucleic Acids Res. 51 (D1), D587-D592 (2023).">Kanehisa, M., et al. KEGG for taxonomy-based analysis of pathways and genomes. Nucleic Acids Res. 51 (D1), D587-D592 (2023).
  15. Association between NRGN gene polymorphism and resting-state hippocampal functional connectivity in schizophrenia. BMC Psychiatry. 19 (1), 108(2019).">Zhang, Y., et al. Association between NRGN gene polymorphism and resting-state hippocampal functional connectivity in schizophrenia. BMC Psychiatry. 19 (1), 108(2019).
  16. Glutamate, aspartate and nucleotide transporters in the SLC17 family form four main phylogenetic clusters: evolution and tissue expression. BMC Genomics. 11, 17(2010).">Sreedharan, S., et al. Glutamate, aspartate and nucleotide transporters in the SLC17 family form four main phylogenetic clusters: evolution and tissue expression. BMC Genomics. 11, 17(2010).
  17. Sequencing of hippocampal and cerebellar transcriptomes provides new insights into the complexity of gene regulation in the human brain. Neurosci Lett. 541, 263-268 (2013).">Twine, N. A., Janitz, C., Wilkins, M. R., Janitz, M. Sequencing of hippocampal and cerebellar transcriptomes provides new insights into the complexity of gene regulation in the human brain. Neurosci Lett. 541, 263-268 (2013).
  18. Expression of the Ly-6 family proteins Lynx1 and Ly6H in the rat brain is compartmentalized, cell-type specific, and developmentally regulated. Brain Struct Funct. 219 (6), 1923-1934 (2014).">Thomsen, M. S., et al. Expression of the Ly-6 family proteins Lynx1 and Ly6H in the rat brain is compartmentalized, cell-type specific, and developmentally regulated. Brain Struct Funct. 219 (6), 1923-1934 (2014).
  19. The role of melanin concentrating hormone (MCH) in the central chemoreflex: A knockdown study by siRNA in the lateral hypothalamus in rats. PLoS ONE. 9 (8), e103585(2014).">Li, N., Nattie, E., Li, A. The role of melanin concentrating hormone (MCH) in the central chemoreflex: A knockdown study by siRNA in the lateral hypothalamus in rats. PLoS ONE. 9 (8), e103585(2014).
  20. Transthyretin-a key gene involved in regulating learning and memory in brain, and providing neuroprotection in Alzheimer disease via neuronal synthesis of transthyretin protein. J. Behav. Brain Sci. 8 (2), 77-92 (2018).">Iqbal, J. Transthyretin-a key gene involved in regulating learning and memory in brain, and providing neuroprotection in Alzheimer disease via neuronal synthesis of transthyretin protein. J. Behav. Brain Sci. 8 (2), 77-92 (2018).
  21. Robust decomposition of cell type mixtures in spatial transcriptomics. Nat Biotechnol. 40 (4), 517-526 (2021).">Cable, D. M., et al. Robust decomposition of cell type mixtures in spatial transcriptomics. Nat Biotechnol. 40 (4), 517-526 (2021).
  22. Benchmarking spatial and single-cell transcriptomics integration methods for transcript distribution prediction and cell type deconvolution. Nat Methods. 19 (6), 662-670 (2022).">Li, B., et al. Benchmarking spatial and single-cell transcriptomics integration methods for transcript distribution prediction and cell type deconvolution. Nat Methods. 19 (6), 662-670 (2022).
  23. Murine breast cancers disorganize the liver transcriptome in a zonated manner. Commun Biol. 6 (1), 1-12 (2023).">Vandenbon, A., et al. Murine breast cancers disorganize the liver transcriptome in a zonated manner. Commun Biol. 6 (1), 1-12 (2023).
  24. Missing cell types in single-cell references impact deconvolution of bulk data but are detectable. Genome Biol. 26 (1), 86(2025).">Ivich, A., et al. Missing cell types in single-cell references impact deconvolution of bulk data but are detectable. Genome Biol. 26 (1), 86(2025).
  25. A periodic table of cell types. Development. 146 (12), dev169854(2019).">Xia, B., Yanai, I. A periodic table of cell types. Development. 146 (12), dev169854(2019).
  26. Deciphering spatial domains from spatially resolved transcriptomics with an adaptive graph attention auto-encoder. Nat Commun. 13 (1), 1739(2022).">Dong, K., Zhang, S. Deciphering spatial domains from spatially resolved transcriptomics with an adaptive graph attention auto-encoder. Nat Commun. 13 (1), 1739(2022).
  27. Mapping cellular interactions from spatially resolved transcriptomics data. Nat Methods. 21, 1830-1842 (2024).">Zhu, J., et al. Mapping cellular interactions from spatially resolved transcriptomics data. Nat Methods. 21, 1830-1842 (2024).
  28. Giotto: A toolbox for integrative analysis and visualization of spatial expression data. Genome Biol. 22 (1), 1-31 (2021).">Dries, R., et al. Giotto: A toolbox for integrative analysis and visualization of spatial expression data. Genome Biol. 22 (1), 1-31 (2021).
  29. Benchmarking spatial clustering methods with spatially resolved transcriptomics data. Nat Methods. 21 (4), 712-722 (2024).">Yuan, Z., et al. Benchmarking spatial clustering methods with spatially resolved transcriptomics data. Nat Methods. 21 (4), 712-722 (2024).
  30. Benchmarking algorithms for spatially variable gene identification in spatial transcriptomics. Bioinformatics. 41 (4), btaf131(2025).">Chen, X., et al. Benchmarking algorithms for spatially variable gene identification in spatial transcriptomics. Bioinformatics. 41 (4), btaf131(2025).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Spatial TranscriptomicsGene Expression PatternsDeepSpaceDB DatabaseTissue Slice AnalysisSpatially Variable GenesDifferential Gene ExpressionTumor MicroenvironmentMouse Brain SampleColorectal Cancer MetastasisBioinformatics Tools

Related Articles