مجموعات بيانات النسخ المكانية للتنقيب باستخدام DeepSpaceDB
سبتمبر 5, 2025
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.
نحن نصنع قاعدة بيانات النسخ المكانية تسمى DeepSpaceDB. الدعوة هي جعل بيانات النسخ المكانية أكثر سهولة لعلماء الأحياء وعلماء المعلوماتية الحيوية. تم تطوير العديد من منصات النسخ المكانية.
إنها تسمح للباحثين بدراسة أنماط التعبير الجيني داخل شرائح الأنسجة. لكن هذه التكنولوجيا باهظة الثمن ويتطلب تحليل البيانات مهارات عالية المستوى في المعلوماتية الحيوية. لقد استخدمنا الإيقاع ومنصة Xenium المكانية ، أبحاث CEX الخاصة بالسرطان.
تسمح لنا هذه المنصة بتحديد الورم والتورم وحتى الأنسجة المضيفة البعيدة في نفس سياق العضو. يمكن أن يساعدنا في حل التغييرات في التعبير والحساب الخلوي في كل حجرة على حدة. أحد التحديات الرئيسية التي يواجهها علماء الأحياء هو إجراء تحليل البيانات.
لذلك هناك العديد من الباحثين الذين يفتقرون إلى مهارات البرمجة والحسابية اللازمة ليكونوا قادرين على تفسير عدد كبير بشكل متزايد من مجموعات بيانات النسخ المكانية التي أصبحت متاحة الآن. من خلال تسهيل الوصول إلى مجموعات بيانات النسخ المكاني ، تمكن قاعدة البيانات المستخدمين من إنشاء فرضيات جديدة ، واستكشاف الآليات الكامنة وراء الأمراض المختلفة. لذلك ، على سبيل المثال ، يمكننا تقييم أنماط التعبير الجيني المكاني المرتبطة بالبيئة المكروية للورم.
للبدء ، انقر فوق علامة التبويب قاعدة البيانات وحدد الكائن الحي كفأر ، والعضو كدماغ ، والمصدر ك Zenodo. قم بالتمرير عبر العينات الناتجة وحدد العينة المسماة DSID001557. ثم انقر فوق العينة المحددة وتأكد من أن الوصف يقرأ 2 مليون خلية في 100 ميكرولتر من الخلايا الطبيعية الطبيعية المالحة.
انقر فوق علامة التبويب الجودة لتقييم جودة العينة. من القائمة المنسدلة لمقاييس الجودة ، حدد خيارات مثل الجينات المكتشفة ، وعدد القراءة ، و mito لعرض توزيعات المعلمات ذات الصلة عبر شريحة العينة. الآن ، انتقل إلى علامة تبويب التعليق التوضيحي للصورة لتحديد مناطق مختلفة في شريحة العينة.
حرك مؤشر الماوس فوق شريحة العينة لعرض التعليقات التوضيحية. عرض التعليقات التوضيحية المستندة إلى الشبكة التي تم إنشاؤها بواسطة نموذج لغة كبير تعرض الميزات التشريحية والظروف المرتبطة بها. ثم انتقل إلى علامة تبويب المجموعات لفحص مجموعات نوع الخلية في شريحة العينة.
عرض التضمين ثنائي الأبعاد للمجموعات والتمثيل اللوني المقابل عبر البقع على شريحة العينة. بعد ذلك ، انتقل إلى علامة التبويب الجينات لفحص الجينات المتغيرة مكانيا في العينة. انقر فوق بعض أفضل الجينات في القائمة لإنشاء مخططات مكانية لتعبيرها عبر شريحة الأنسجة.
راقب أنماط التعبير المرمزة بالألوان ، والتي تظهر بوضوح توزيعات مكانية مميزة للجينات ذات الدرجات الأعلى. ثم انتقل إلى علامة التبويب المسارات لفحص نشاط مجموعات الجينات المرتبطة بالمسارات البيولوجية الشائعة. اعرض قائمة المسارات المتغيرة مكانيا مع نشاط المسار المقدر بناء على مستويات التعبير عن الجينات ذات الصلة.
انقر فوق بعض المسارات العليا في القائمة لإنشاء مخططات مكانية لنشاطها عبر شريحة الأنسجة. راقب الأنماط المرمزة بالألوان لنشاط المسار عبر مناطق الأنسجة المختلفة. الآن ، انتقل إلى علامة التبويب مستكشف الأنسجة ، والتي تتيح للمستخدمين تحديد مناطق الاهتمام بحرية ومقارنة أنماط التعبير الجيني بينهم.
تأكد من تنشيط التحديد اليدوي. باستخدام مؤشر الماوس ، حدد البقع الموجودة في منطقة الحصين على الجانب الأيسر من شريحة دماغ الماوس. انقر فوق تعيين واحد ، ثم أضف إلى تعيين لتمييز النقاط المحددة على اللوحة اليمنى.
ثم انقر فوق المجموعة الثانية واستخدم مؤشر الماوس لتحديد البقع في منطقة ما تحت المهاد من شريحة الدماغ. انقر فوق إضافة لتعيين لتمييز هذه النقاط المحددة على الجانب الأيمن. بعد الانتهاء من الاختيار الموضعي ، انقر فوق الزر مقارنة التعبير الجيني.
يؤدي هذا إلى إنشاء جدول يعرض متوسط قيم التعبير الجيني لكل منطقة محددة جنبا إلى جنب مع تمثيل مخطط مبعثر. حرك المؤشر فوق النقاط الفردية في مخطط التبعثر لتأكيد أسماء الجينات ومتوسط قيم التعبير في كلتا المنطقتين. بناء على نتائج المقارنة ، حدد الجينات المعبر عنها بشكل تفاضلي.
انتقل مرة أخرى إلى علامة تبويب الجينات وتصور التعبير عن هذه الجينات عبر شريحة الأنسجة. انقر فوق علامة التبويب قاعدة البيانات واستخدم الفلتر لتحديد الكائن الحي كفأر ، والعضو ككبد ، والحالة على أنها سرطان. من قائمة العينات الناتجة، حدد DSID001005 العينة.
انقر فوق العينة المحددة وتأكد من أن الوصف يشير إلى أن العينة من كبد فأر ، تحتوي على ورم خبيث من أصل سرطان القولون والمستقيم. ثم انتقل إلى علامة التبويب مستكشف الأنسجة وقم بتنشيط وضع التحديد اليدوي. باستخدام مؤشر الماوس ، حدد البقع المقابلة لمنطقة الورم التي تم تحديدها من خلال التعبير الإيجابي لعلامة EpCAM في DSID001005 العينة.
انقر فوق مجموعة واحدة. ثم حدد إضافة لتعيين لتمييز بقع الورم المحددة على الجانب الأيمن. الآن ، انقر فوق المجموعة الثانية واستخدم المؤشر لتحديد البقع في المنطقة البعيدة غير الورمية من عينة الكبد.
انقر فوق إضافة لتعيين لتمييز البقع غير السرطانية المحددة على الجانب الأيمن من الشاشة. لإجراء مزيد من التحليل لبيانات التعبير الجيني ، انقر فوق خيار تنزيل CSV ، مما يؤدي إلى إنشاء ملف قيم مفصولة بفواصل لبيانات التعبير الجيني لمنطقتي العينة. بعد تكرار خطوات التنقل في قاعدة البيانات DSID001007 ، تأكد من أن الوصف ينص على أنها شريحة أخرى من كبد الفأر تحتوي على نقائل من أصل سرطان القولون والمستقيم.
بعد ذلك ، تأكد من إنشاء ملفين ل CSV ، أحدهما من كل من العينات DSID001005 و DSID001007 ، يحتوي على عمودين يمثلان متوسط التعبير الجيني في مناطق الورم والمناطق غير الورمية. قم بتحميل كلا ملفي CSV في بيئة برمجة R. دمج مجموعات البيانات لإجراء تحليل انتقال البيانات باستخدام نسختين متماثلتين لكل شرط.
في R ، استخدم حزمة limma لإجراء تحليل التعبير الجيني التفاضلي على مجموعة بيانات الدمج. قم بتعيين مناطق نقائل القولون والمستقيم من كلتا العينتين إلى مجموعة السرطان والمناطق الصحية البعيدة إلى المجموعة الضابطة. قم بتصفية النتائج لتحديد الجينات التي تم تنظيمها مع تغيير الطية اللوغاريتمية أكبر من 0.5 وقيمة P معدلة أقل من 0.05.
وبالمثل ، قم باستخراج الجينات التي تم تنظيمها بشكل مخفض، مع تغيير الطية اللوغاريتمية أقل من سالب 0.5 وقيمة P معدلة أقل من 0.05. لوحظت منطقة مميزة منخفضة الجودة على الجانب الأيسر من عينة دماغ الفأر ، تتميز بعدد أقل من الجينات المكتشفة وانخفاض عدد القراءات. أظهرت العينة ما معدله حوالي 4,000 جين تم اكتشافه في كل بقعة ، مما يتماشى بشكل جيد مع توزيع العينات الأخرى في قاعدة البيانات.
تم تحديد 15 مجموعة مكانية عبر عينة دماغ الفأر بحدود مميزة تمثل الاختلافات التشريحية. أظهرت الجينات NRGN و SLC17A7 و DDN تعبيرا قويا في منطقة الحصين. في المقابل ، تم توطين تعبير LY6H في المناطق القشرية ، لا سيما الحواف الخارجية السفلية اليسرى واليمنى للشريحة.
زاد نشاط إشارات الببتيد العصبي بشكل ملحوظ في المناطق القشرية السفلية من شريحة العينة. تم تنشيط تنظيم اللدونة المشبكية عبر منطقة الحصين ، لا سيما في المناطق الوسطى العليا. تم رفع نشاط نقل الناقل العصبي عبر الأقسام الوسطى والعليا اليمنى من الحصين.
أظهر الجين CLDN7 و CLDN4 و ACTG1 تنظيما واضحا في منطقة الورم مع ورم خبيث في القولون والمستقيم في عينة الكبد DSID 001005. في المقابل ، كان التعبير عن CLDN7 و CLDN4 و ACTG1 أقل بشكل ملحوظ في أنسجة الكبد السليمة البعيدة في DSID001007 العينة.
نظرة عامة
تصف هذه المقالة DeepSpaceDB، قاعدة بيانات تفاعلية مصممة لتعزيز إمكانية الوصول إلى بيانات التحليل المكاني للتعبير الجيني. توفر سير عمل التحليل للباحثين للتحقيق في تنظيم الأنسجة والتعبير الجيني المرتبط بالأمراض المختلفة.
مكونات الدراسة الرئيسية
منطقة البحث
- التحليل المكاني للتعبير الجيني
- دراسات تنظيم الأنسجة
- تحليل التعبير الجيني المرتبط بالأمراض
الخلفية
- تطوير منصات التحليل المكاني للتعبير الجيني عزز دراسة التعبير الجيني في شرائح الأنسجة.
- يمكن أن تعيق التكلفة العالية وتعقيد تحليل البيانات البحث.
- تهدف DeepSpaceDB إلى سد الفجوة في إمكانية الوصول واستخدام الأداة للبيولوجيين.
الأساليب المستخدمة
- استخدام قاعدة بيانات DeepSpaceDB
- أنظمة نماذج الفئران لتحليلات التعبير الجيني
- أدوات تصور تفاعلية للتحليل المكاني
النتائج الرئيسية
- تسهيل فحص أنماط التعبير الجيني المكاني في أنواع الأنسجة المختلفة.
- تمكين تحديد الجينات ذات التعبير المختلف عبر مناطق الورم وغير الورم.
- توفير أدوات لتكوين فرضيات تتعلق بآليات المرض.
الاستنتاجات
- تعزز DeepSpaceDB بشكل كبير إمكانية الوصول إلى بيانات التحليل المكاني للتعبير الجيني.
- تسهم قاعدة البيانات في تعزيز البحث البيولوجي من خلال السماح للمستخدمين باستكشاف مجموعات البيانات المعقدة بكفاءة.
الأسئلة الشائعة
Executive Industry Relevance
Spatial transcriptomics is transforming early discovery by enabling high-resolution mapping of gene expression within intact tissue architecture. DeepSpaceDB addresses a critical bottleneck by democratizing access to spatial datasets and analytical workflows, supporting hypothesis generation and mechanistic de-risking in disease-relevant systems. This capability enhances predictive confidence at the target validation and lead identification stages, directly impacting portfolio triage and translational research continuity.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of spatial gene expression patterns in disease and healthy tissue contexts.
- Supports mechanistic de-risking by clarifying cellular heterogeneity and microenvironmental influences.
- Facilitates functional target validation through region-specific differential expression analysis.
- Drives predictive confidence for target selection and prioritization.
Screening & Assay Development
- Provides validated spatial datasets for assay development and benchmarking.
- Enables reproducible identification of spatially variable genes and pathways for downstream screening.
- Supports standardization of region-specific gene expression readouts across samples.
- Prepares robust biological systems for compound evaluation in spatially complex tissues.
Translational & Preclinical Research
- Aligns spatial gene expression signatures with disease-relevant biomarkers for translational continuity.
- Enables comparative analysis of tumor versus non-tumor regions to inform preclinical model selection.
- Supports risk-adjusted advancement decisions by revealing spatial heterogeneity in disease models.
- Facilitates cross-sample and cross-condition analyses for mechanistic insight.
Pipeline & Workflow Integration
DeepSpaceDB integrates into the discovery-to-preclinical continuum by providing accessible, annotated spatial transcriptomics datasets and analytical tools for hypothesis testing and comparative analysis.
- Discovery Biology: Empowers teams to test spatial hypotheses and clarify tissue-specific gene regulation.
- Screening: Delivers reproducible, quantitative spatial gene expression outputs for assay readiness.
- Analytics: Offers statistical outputs, including differential expression and pathway activity, for robust condition comparison.
- Translational Research: Connects spatial gene expression data to disease models and biomarker strategies.
- Enterprise Reuse: Establishes a reusable platform for spatial data mining across multiple projects and disease areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in tissue-based studies.
- Operational Value: Standardizes spatial data analysis and enhances reproducibility across teams.
- Strategic Value: Informs go/no-go decisions and improves capital allocation by clarifying spatial biology risks.
- Portfolio Impact: Enables risk-adjusted prioritization and supports advancement of high-confidence targets.
Implementation Considerations
- Requires expertise in spatial transcriptomics data interpretation and statistical analysis.
- Needs computational infrastructure for data visualization and downstream analytics.
- Demands cross-team standardization of region selection and quality control metrics.
- Adaptation may be needed for different tissue types and disease models.
- Dependent on quality and annotation depth of publicly available spatial datasets.
