Method Article

Mining von räumlichen Transkriptomik-Datensätzen mit 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

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

In diesem Artikel wird ein Protokoll für die Verwendung von DeepSpaceDB vorgestellt, einer dynamischen, interaktiven Datenbank für die räumliche Transkriptomik, die Analyse-Workflows und Beispiele zur Untersuchung der Gewebeorganisation und krankheitsbezogenen Genexpression bietet.

Abstract

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

Die räumliche Transkriptomik ist eine sich schnell entwickelnde Technologie, die es ermöglicht, Genexpressionsmuster in Gewebeproben zu erfassen und gleichzeitig Positionsinformationen zu erhalten. Es hat weitreichende Anwendungen in der biologischen Forschung und Bioinformatik und ermöglicht es Forschern, räumliche Variationen der Genexpression über verschiedene Gewebe, Zustände und Krankheiten hinweg zu untersuchen und zu verfolgen. Mit der zunehmenden Verbreitung der räumlichen Transkriptomik-Datenanalyse steigt die Zahl der öffentlich zugänglichen Datensätze. Die räumliche Transkriptomik bleibt jedoch eine hochspezialisierte experimentelle Technik mit erheblichen technischen und finanziellen Einschränkungen. Um den Zugang zu räumlichen Daten zu erleichtern, haben wir kürzlich DeepSpaceDB entwickelt, eine umfassende und dynamische Datenbank für die Exploration von räumlichen Transkriptomik-Daten. In diesem Artikel werden anhand einiger Beispiele detaillierte Arbeitsabläufe vorgestellt, in denen die Komponenten der Datenbank und ihre Navigation erläutert werden. Zunächst wird die Analyse einer Mausgehirnprobe demonstriert, wobei Qualitätsindikatoren, räumlich variable Gene und Signalwege sowie Genexpressionsvariationen zwischen dem Hippocampus und dem Hypothalamus untersucht werden. Als nächstes wird die Identifizierung und Annotation von differentiell exprimierten Genen, die mit Immunaktivität assoziiert sind, weiter untersucht, indem metastasierende Regionen kolorektalen Ursprungs mit entfernten Bereichen gesunden Gewebes in der Leber von Mäusen verglichen werden. DeepSpaceDB dient mit seinen fortschrittlichen Werkzeugen und interaktiven Funktionen als wertvolle Ressource für die räumliche Transkriptomik-Forschung und ermöglicht eine tiefere Erforschung der Gewebeorganisation und der Krankheitsbiologie.

Introduction

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

Die räumliche Transkriptomik ist eine neue Technologie, die es Forschern ermöglicht, die Genexpression zu analysieren und gleichzeitig räumliche Informationen in einem Gewebeschnitt zu behalten, wodurch die Gewebearchitektur, die zelluläre Heterogenität und die Einflüsse der Mikroumwelt mit bisher unerreichter Auflösung untersucht werdenkönnen 1,2. Trotz des Potenzials dieser Technologie sind der Zugang und die Analyse jedoch nach wie vor begrenzt, die räumliche Transkriptomik ist für viele Labore unerschwinglich und die Datenanalyse erfordert fortgeschrittene bioinformatische Fähigkeiten.

Die Entwicklung öffentlicher Datenbanken ist eine Möglichkeit, den Zugang zu dieser aufstrebenden experimentellen Modalität zu erweitern. Es wurden mehrere Datenbanken für räumliche Transkriptomik erstellt. Die erste war SpatialDB, aber sie enthält nur eine begrenzte Anzahl von Beispielen und wurde nicht aktualisiert3. Die Datenbanken SODB, SOAR und STOmicsDB enthalten eine große Anzahl von Proben von vielen verschiedenen Plattformen und spielen eine wichtige Rolle als Datenrepositorien 4,5,6. Die Analysetools sind jedoch begrenzt und es mangelt an Interaktivität. Um dieses Problem anzugehen, haben wir kürzlich DeepSpaceDB entwickelt, eine kuratierte, benutzerfreundliche Datenbank mit öffentlich zugänglichen räumlichen Transkriptomik-Datensätzen, die technische Barrieren abbauen und die Zugänglichkeit verbessernsollen 7. In diesem Artikel werden verschiedene Werkzeuge in dieser Datenbank veranschaulicht, darunter das Durchsuchen der Datenbank, das Überprüfen der Probenqualität, Visualisierungswerkzeuge und der Vergleich interaktiv ausgewählter Regionen innerhalb von Gewebeschnitten. Es werden detaillierte Protokolle anhand von zwei repräsentativen Beispielen vorgestellt: die Analyse einer Maushirnprobe und einer Mausleber mit kolorektalen Metastasen, um diese Werkzeuge in praktischen Kontexten zu demonstrieren. Durch diese Tools ermöglicht DeepSpaceDB einem breiteren Spektrum von Forschern, räumliche Transkriptomik zu nutzen, ohne eigene Daten oder interne Bioinformatikkapazitäten zu benötigen. Eine umfassende Beschreibung der Datenerfassung, der Qualitätskontrolle, des Verarbeitungsablaufs sowie der in DeepSpaceDB enthaltenen Daten und Funktionen wird von Honcharuk et al.7 ausführlich bereitgestellt.

Protocol

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

1. Beispiel 1: Analyse einer Mausgehirnprobe

HINWEIS: In diesem Abschnitt wird die Analyse einer Mausgehirnprobe veranschaulicht, wobei durch die verschiedenen Funktionen und Diagramme navigiert wird, die in DeepSpaceDB verfügbar sind (ein Link zur Datenbank ist in der Materialtabelle verfügbar).

  1. Auswahl der Stichprobe
    1. Klicken Sie auf die Registerkarte Datenbank und verwenden Sie den Filter, um den Organismus, die Maus, das Organ Gehirn und die Quelle Zenodo auszuwählen. Navigieren Sie durch die resultierenden Samples und wählen Sie Sample-DSID001557 aus. Alternativ können Sie das Suchfeld verwenden, um die Datenbank nach dem Begriff "DSID001557" zu durchsuchen, und dieses Beispiel auswählen.
    2. Klicken Sie auf die Probe und bestätigen Sie die Beschreibung als 2 × 10 6 Zellen in 100 μL Kochsalzlösung-NK-Zelle (i.v. Injektion einmal pro Woche, insgesamt 5 Mal).
  2. Qualitätsanalyse
    1. Klicken Sie auf die Registerkarte Qualität , um die Qualität der ausgewählten Probe zu bewerten. Wählen Sie aus dem Dropdown-Menü für Qualitätsmessungen verschiedene Optionen wie Erkannte Gene (Abbildung 1A), Leseanzahl (Abbildung 1B) und Mito (Abbildung 1C) aus, um die jeweiligen Parameter an jedem Punkt der Probenscheibe zu visualisieren.
  3. Bild-Anmerkung
    1. Navigieren Sie zur Registerkarte Bildanmerkung , um die verschiedenen Bereiche des Beispiel-Slices zu identifizieren.
    2. Bewegen Sie den Mauszeiger über das Sample-Slice. Anmerkungen, die von einem großen Sprachmodell (LLM) vorhergesagt werden, werden für Teile des Beispielbildes gitterbasiert angezeigt, mit Informationen über die Anatomie und die zugehörige Bedingung8.
  4. Cluster-Analyse
    1. Um ein tieferes Verständnis der Zelltyp-Cluster im Beispiel-Slice zu erhalten, navigieren Sie zur Registerkarte Cluster. Eine 2D-Einbettung der Cluster wird zusammen mit einer Darstellung von farbcodierten Clustern über die Punkte auf der Probenscheibe angezeigt (Abbildung 1E).
  5. Räumlich variable Gene und Signalwege
    1. Navigieren Sie zur Registerkarte Gene und notieren Sie sich die räumlich variablen Gene (SVG; Gene, deren Expressionsniveaus je nach Gewebestandort unterschiedlich sind) in der Probe 9,10. Diese SVGs werden mit der singleCellHaystack-Funktion vorhergesagt, die das Kullback-Leibler-Divergenzmaß (D_KL in der Tabelle) anwendet, um zu bewerten, wie unterschiedlich das Expressionsmuster jedes Gens von dem ist, was zufällig zu erwarten wäre (Abbildung 2). Gene mit einem niedrigen p-Wert (großer negativer log.p.adj in der Tabelle) werden als SVGs aufgeführt.
      HINWEIS: Die Genexpressionsdaten wurden unter Verwendung der Standardparameter normalisiert, die im Seurat R (Version 5) Paket11 verwendet werden. In der Praxis wurden die Reads für jedes Gen an jedem Spot durch die Gesamtzahl der Reads an diesem Spot dividiert und mit dem Skalenfaktor 10.000 multipliziert. Als nächstes wurde der natürliche Logarithmus nach Addition von 1 berechnet, um Probleme mit log(0) zu vermeiden. Das Diagramm auf der Registerkarte Gene zeigt diese normalisierten Daten.
    2. Klicken Sie auf einige der Top-Gene in der Liste. Dadurch wird ein räumliches Diagramm für die Gene über die Gewebescheibe erzeugt, wobei die Flecken für das Expressionsniveau farbcodiert sind (Abbildung 2). Die Gene mit der höchsten Punktzahl weisen deutlich ausgeprägte räumliche Expressionsmuster auf.
    3. Navigieren Sie weiter zur Registerkarte Pfade, um die Aktivität von Gensätzen (z. B. Genen, die mit einem gemeinsamen biologischen Signalweg verbunden sind) anstelle einzelner Gene zu überprüfen. Räumlich variable Signalwege werden ähnlich wie bei den oben diskutierten SVGs aufgelistet (Abbildung 3). Die Aktivitäten des Signalwegs werden auf der Grundlage der Expressionsniveaus der mit ihnen assoziierten Gene geschätzt 7,11.
      HINWEIS: Die Pfadaktivitäten wurden mit der Seurat R-Paketfunktion addModuleScore11 geschätzt. Kurz gesagt, diese Funktion nimmt als Eingabe einen Satz von Genen (z. B. einen Satz von Genen, die an einem gemeinsamen Signalweg beteiligt sind) und gibt nach mehreren Verarbeitungsschritten deren durchschnittliche Expressionsniveaus zurück. In der Praxis implizieren positive Werte eine überdurchschnittliche Aktivität, und negative Werte eine unterdurchschnittliche Aktivität. Das Diagramm, das auf der Registerkarte "Pfade" angezeigt wird, zeigt diese Modulbewertungsdaten.
    4. Klicken Sie auf einige der wichtigsten Pfade in der Liste. Dadurch wird ein räumliches Diagramm für die Wege durch die Gewebescheibe erstellt, wobei die Flecken für das Aktivitätsniveau farbcodiert sind. Mehrere Signalwege weisen unterschiedliche räumliche Aktivitätsmuster auf (Abbildung 3).
  6. Vergleich der Genexpression innerhalb der Probe
    1. Navigieren Sie zur Registerkarte Tissue Explorer und wählen Sie Manuelle Auswahl (falls sie noch nicht ausgewählt wurde). Verwenden Sie als Nächstes den Mauszeiger, um die Punkte in der Hippocampusregion des Maushirnschnitts auf der linken Seite auszuwählen. Klicken Sie auf Set 1 und wählen Sie Add to Set. Dadurch werden alle ausgewählten Punkte auf dem Slice auf der rechten Seite hervorgehoben (Abbildung 4A).
    2. Klicken Sie nun auf Set 2 und wählen Sie mit dem Mauszeiger die Flecken in der hypothalamischen Region des Maushirnschnitts aus. Klicken Sie auf Add to set, wodurch alle ausgewählten Punkte auf der Slice auf der rechten Seite hervorgehoben werden (Abbildung 4A).
    3. Nachdem Sie den Spot-Auswahlprozess abgeschlossen haben, klicken Sie auf die Schaltfläche Genexpression vergleichen . Dadurch wird eine Tabelle mit den durchschnittlichen Genexpressionswerten der ausgewählten Punkte zwischen beiden Regionen zusammen mit einer Streudiagrammdarstellung erstellt. Bewegen Sie den Mauszeiger über einzelne Punkte, um die Gennamen und die durchschnittliche Expression der Gene in beiden Regionen zu bestätigen.
    4. Identifizieren Sie auf der Grundlage der Ergebnisse des Genexpressionsvergleichs differentiell exprimierte Gene und navigieren Sie erneut zur Registerkarte Gene , um ihre Expression über die Probenscheibe zu visualisieren (Abbildung 4B, C).
      HINWEIS: Durch die oben beschriebenen Schritte kann DeepSpaceDB verwendet werden, um die Merkmale einer räumlichen Transkriptomik-Probe für das Mausgehirn zu untersuchen.

2. Beispiel 2: Identifizierung und Annotation von differentiell exprimierten Genen, die mit Immunaktivität in metastasierten Regionen kolorektalen Ursprungs in der Leber von Mäusen assoziiert sind

HINWEIS: Ein Vergleich innerhalb der Stichprobe wird im aktuellen Abschnitt behandelt. Dies wird durch die Identifizierung und Annotation von differentiell exprimierten Genen zwischen metastasierten Regionen kolorektalen Ursprungs und entfernten Regionen gesunden Gewebes innerhalb eines Leberschnitts anhand von zwei verschiedenen Proben veranschaulicht. Die räumliche Expression spezifischer dysregulierter Gene, die für die Immunaktivität relevant sind, wird in den Gewebeschnitten weiter visualisiert.

  1. Datenbanknavigation und Probenauswahl
    1. Klicken Sie auf die Registerkarte Datenbank und verwenden Sie den Filter, um den Organismus Maus, das Organ Leber und die Erkrankung Krebs auszuwählen. Wählen Sie aus den resultierenden Beispielen die Beispiel-DSID001005 aus. Klicken Sie auf die Probe und bestätigen Sie die Beschreibung, dass es sich um eine Mausleber handelt, die Metastasen Darmkrebs enthält.
    2. Navigieren Sie zur Registerkarte Tissue Explorer und wählen Sie Manuelle Auswahl aus. Wählen Sie anschließend mit dem Mauszeiger die Flecken in der Tumorregion (kolorektale Metastasen) der Leberprobe DSID001005 aus, die anhand der positiven Expression des Epcam-Markers identifiziert wurden (Abbildung 5A). Klicken Sie auf Set 1 und wählen Sie Add to Set. Dadurch werden alle ausgewählten Punkte auf dem Slice auf der rechten Seite hervorgehoben (Abbildung 5C).
    3. Klicken Sie nun auf Set 2 und wählen Sie mit dem Mauszeiger die Spots in der entfernten Nicht-Tumorregion der Leberprobe aus. Klicken Sie auf Add to set, wodurch alle ausgewählten Punkte auf der Slice auf der rechten Seite hervorgehoben werden (Abbildung 5C).
  2. Vergleich der Genexpression zwischen ausgewählten Spots
    1. Nachdem Sie den Spot-Auswahlprozess abgeschlossen haben, klicken Sie auf die Schaltfläche Genexpression vergleichen . Dadurch wird eine Tabelle mit den durchschnittlichen Genexpressionswerten der ausgewählten Punkte zwischen beiden Regionen zusammen mit einer Streudiagrammdarstellung generiert. Bewegen Sie den Mauszeiger über einzelne Punkte und überprüfen Sie die Gennamen und die durchschnittliche Expression der Gene in beiden Regionen.
    2. Um eine tiefergehende Analyse mit den Genexpressionsdaten durchzuführen, wählen Sie die Option CSV herunterladen . Dadurch wird eine CSV-Datei (Comma-Separated Values) mit den Genexpressionsdaten für die beiden Regionen der Probe generiert.
    3. Wiederholen Sie die Schritte 2.1.1-2.1.3 und 2.2.1-2.2.2 für die Probe "DSID001007". Bestätigen Sie die Beschreibung als ein weiterer Schnitt aus einer Mausleber, der Metastasen Darmkrebs enthält.
  3. Datenanalyse mit R-Programmierung
    1. Vergewissern Sie sich, dass die obigen Schritte zu 2 CSV-Dateien geführt haben, eine aus Beispiel-DSID001005 und eine aus Beispiel-DSID001007. Beide Dateien enthalten 2 Spalten, die die durchschnittliche Genexpression in den 2 Selektionen (Tumorgewebe und Nicht-Tumorgewebe) darstellen, die in jeder Probe vorgenommen wurden.
    2. Lesen Sie die CSV-Dateien in R ein und führen Sie sie für die weitere nachgelagerte Analyse mit zwei Replikaten pro Bedingung zusammen (d. h. Tumorregion mit Darmkrebsmetastasen und entferntes gesundes Gewebe in der Leber). Weitere Informationen finden Sie im R-Skript und in den Datendateien in den ergänzenden Materialien.
    3. Verwenden Sie das limma-Paket (Version 3.62.2) in R (Version 4.4.2)12 , um eine differentielle Expressionsanalyse für die Daten durchzuführen, wobei die kolorektalen Metastasenregionen beider Proben als Krebs und die entfernten, gesunden Regionen beider Proben als Kontrolle kategorisiert werden. Ermitteln Sie die hochregulierten Gene mit einem Filter von logFC > 0,5 und einem angepassten p-Wert < 0,05. In ähnlicher Weise erhalten Sie die herunterregulierten Gene mit einem Filter von logFC < -0,5 und einem angepassten p-Wert < 0,05.
      HINWEIS: Diese Gensätze werden verwendet, um im nächsten Schritt biologische Signalwege zu identifizieren, die vom Tumor beeinflusst werden (Abbildung 6A,B).
    4. Verwenden Sie das Paket clusterProfiler (Version 4.14.6) in R13 , um die Analyse der Signalwege der Kyoto Encyclopedia of Genes and Genomes (KEGG)14 für die herunterregulierten und hochregulierten Gene durchzuführen. Basierend auf einem stringenten Filter des q-Werts < 0,05 identifizieren Sie die signifikanten Signalwege, die mit den herunterregulierten und hochregulierten Genen verbunden sind. Konzentrieren Sie sich auf Gene, die mit immunologischen Signalwegen, Immunaktivitäten oder relevanten Signaturen assoziiert sind (Abbildung 6B).
  4. Genspezifisches Data Mining
    1. Suchen Sie als Nächstes im Abschnitt Räumlich variable Gene nach Gennamen, um die räumliche Expression der Zielgene zu bestätigen. Klicken Sie auf einen Gennamen, um ein räumliches Diagramm für das Gen über die Gewebescheibe zu erstellen, wobei die Flecken für das Expressionsniveau farbcodiert sind (Abbildung 7).
    2. Identifizieren Sie spezifische Gene mit räumlichen Expressionsmustern an der Stelle kolorektaler Metastasen im Gegensatz zum entfernten, gesunden Lebergewebe. Die funktionelle Relevanz der Gene oder ihre Expression in anderen Organen oder Zuständen kann in der Datenbank weiter erforscht werden.
    3. Wählen Sie die Registerkarte Suchen und wählen Sie die Art als Maus aus. Klicken Sie auf die Option Nach Gen suchen und geben Sie einen Gennamen ein. Ein Überblick über die Organ- und Zustandsverteilung der Gene wird angezeigt und kann weiter analysiert werden.
      HINWEIS: Durch die oben beschriebenen Schritte kann DeepSpaceDB verwendet werden, um Genexpressionsmuster zwischen metastasierten und nicht-metastasierten Regionen in räumlichen Transkriptomikproben der Leber von Mäusen zu untersuchen.

Results

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

Beispiel 1 demonstrierte die Analyse einer Mausgehirnprobe, bei der Parameter wie die Leseanzahl, räumlich variable Gene und Signalwege sowie Genexpressionsvariationen zwischen dem Hippocampus und dem Kortex validiert wurden. Zunächst wurde die Qualität der DSID001557 der Mausgehirnprobe anhand mehrerer Qualitätsmaße bewertet: "Nachgewiesene Gene" (Abbildung 1A), "Leseanzahl" (Abbildung 1B) und "Mito" (der Prozentsatz der mitochondrialen Lesevorgänge; Abbildung 1C). Dies hob deutlich eine Region mit geringerer Qualität auf der linken Seite der Gehirnprobe hervor, basierend auf der geringen Anzahl der nachgewiesenen Gene und der geringen Lesezahl. Um die relative Qualität der Stichprobe im Vergleich zu allen anderen Stichproben zu verstehen, wurde in der Datenbank auf die Registerkarte Relative Qualität der Stichprobe geklickt, auf der ein Diagramm der Anzahl im Vergleich zur Anzahl angezeigt wurde. Anzahl der pro Spot nachgewiesenen Gene (Mittelwert). Für die zu analysierende Probe wurden zwischen 3500 und 4000 Gene pro Spot nachgewiesen (Abbildung 1D). Die anatomischen Merkmale der Probe wurden mit Hilfe der Registerkarte Bildanmerkung weiter analysiert. Als allgemeine Anmerkung wurden diese Annotationen erzeugt, indem Gewebebilder in kleinere Teile geschnitten und ein LLM gebeten wurde, die beobachtbaren Merkmalezu beschreiben 8. Sie sind grobe Anhaltspunkte zur Unterstützung der Interpretation der Probe und müssen mit Vorsicht interpretiert werden. Für eine Teilmenge der Proben (insbesondere menschliche Brustkrebsproben) sind auch Annotationen durch einen Humanspezialisten verfügbar. In Anbetracht der geringeren Qualität von Visium H&E-Bildern im Vergleich zu Bildern, die für die Routinediagnose verwendet werden, dienen die bereitgestellten Anmerkungen jedoch nur zu Forschungszwecken. Bewegen Sie den Mauszeiger für Beispiel-DSID001557 über die in der Scheibe angezeigten Anmerkungen der verschiedenen Regionen des Mausgehirns, wie z. B. die Hippocampusregion, kortikale Schichten, dichte zelluläre Schichten mit Gliose usw. Vom Verständnis der grundlegenden anatomischen Merkmale des Probenschnitts wurden detaillierte Merkmale wie Zelltyp-Cluster und räumlich variable Gene und Signalwege weiter erforscht. Die Maushirnprobe hatte insgesamt 15 Cluster, die mit einer Farbcodierung über die Probenscheibe dargestellt wurden (Abbildung 1E). Einige der wichtigsten räumlich variablen Gene, die mit der Probe assoziiert sind, sind Nrgn, Slc17a7, Ly6h und Ddn (Abbildung 2). Nrgn zeigte eine hohe Expression in der Hippocampusregion, in Übereinstimmung mit den literarischen Beweisen, die auf die Rolle des Nrgn-kodierten Proteins (Neurogranin) bei der Vermittlung der synaptischen Plastizität und des räumlichen Lernens hinweisen15. Slc17a7, ein Gen, das für einen vesikulären Glutamattransporter kodiert, der für die Neurotransmission in glutaminergen Neuronen entscheidend ist16, und Ddn, ein Gen, das für ein Protein kodiert, das die Struktur des postsynaptischen Zytoskelettsmoduliert 17, wurden ebenfalls stark in der Hippocampusregion exprimiert. Im Gegensatz dazu war die Expression des Gens Ly6h in der kortikalen Region lokalisiert, in Übereinstimmung mit der Literatur, die auf die restriktive synaptische Rolle von Ly6h in den Membranen kortikaler Zellen hinweist18. Auf ähnliche Weise wurde die Aktivität der Signalwege über die Probenscheibe hinweg visualisiert (Abbildung 3). Es wurde beobachtet, dass die räumlich variablen Signalwege in Übereinstimmung mit den funktionellen Rollen der räumlich variablen Gene aktiviert werden, mit der Regulation der synaptischen Plastizität und der Neurotransmitteraktivität in der Hippocampusregion und der Neuropeptid-Signalgebung in der kortikalen Region.

Um schließlich differentiell exprimierte Gene zwischen der Hippocampusregion und dem Hypothalamus der Maushirnprobe zu identifizieren, wurde die Registerkarte Tissue Explorer verwendet. Die Spots, die mit den interessierenden Regionen in Verbindung stehen, wurden anhand der Bildannotation ausgewählt (Abbildung 4A). Aus dem generierten Streudiagramm gingen hervor, dass einige der identifizierten differentiell exprimierten Gene zu den besten räumlich variablen Genen (Nrgn, Slc17a7, Ddn) gehörten, zusätzlich zu einigen anderen, wie z. B. Pmch und Ttr. Die Expression dieser Gene wurde in der Probenscheibe sichtbar gemacht. Pmch war spezifisch in der lateralen hypothalamischen Region überexprimiert (Abbildung 4B; vergleiche mit dem grün ausgewählten Bereich in Abbildung 4A). Dieses Gen kodiert für die Vorstufe des Melanin-konzentrierenden Hormons und ist an der Aufrechterhaltung der Energiehomöostasebeteiligt 19. Im Gegensatz dazu wurde das Gen Ttr spezifisch in der Hippocampusregion exprimiert (Abbildung 4C; vergleiche mit dem rot ausgewählten Bereich in Abbildung 4A), entsprechend seiner funktionellen Rolle beim Lernen und räumlichen Gedächtnis20. Durch Vergleiche innerhalb der Probe zwischen verschiedenen Hirnregionen von Mäusen unter Verwendung dieser Datenbank konnten wir regionenspezifische funktionelle Merkmale basierend auf der räumlichen Genexpression und der Signalwegaktivität hervorheben.

In Beispiel 2 wurde die Datenbank zur Identifizierung von Immunsignaturen verwendet, die mit kolorektalen Metastasen in der Leber assoziiert sind. Es wurde ein Vergleich innerhalb der Probe zwischen der Tumorregion mit kolorektalen Metastasen und dem entfernten, gesunden Lebergewebe durchgeführt, und zwar durch geeignete Spotauswahl für die beiden Proben: DSID001005 (Abbildung 5A-C) und DSID001007 (Abbildung 5D-F). Die Daten wurden mit zwei Replikaten pro Erkrankung unter Verwendung von R erneut analysiert. Eine differentielle Expressionsanalyse, die zwischen der Tumorregion mit kolorektalen Metastasen und dem gesunden Lebergewebe durchgeführt wurde, zeigte die Herunterregulierung von 138 Genen und die Hochregulierung von 115 Genen, basierend auf den ausgewählten Parametern (Abbildung 6A,B). Die Analyse des KEGG-Signalwegs zeigte die Anreicherung der Signalwege der herunterregulierten Gene, wie z. B. des Arzneimittelstoffwechsels und der chemischen Karzinogenese (Abbildung 6C), während die hochregulierten Gene Signaturen aufwiesen, die unter anderem der transendothelialen Migration von Leukozyten, der fokalen Adhäsion und dem Zellzyklus entsprachen (Abbildung 6D). Mit dem Fokus auf die Relevanz der transendothelialen Migration von Leukozyten für die Immunaktivität wurden die in dieser Kategorie nachgewiesenen Top-Gene identifiziert und ihre räumliche Expression in DeepSpaceDB beobachtet. Interessanterweise zeigten die Gene Cldn7, Cldn4 und Actg1, die in der Kategorie der Leukozyten-Transendothelmigration nachgewiesen wurden, eine Hochregulation in der Tumorregion (Epcam+-Stelle) der Proben und nicht in der entfernten Region mit gesundem Lebergewebe (Abbildung 7). Dies lieferte Einblicke in die Art der Immunaktivität, die an der Tumorstelle der Leber mit der aktiven Rekrutierung von Leukozyten ausgelöst wird. Zusammenfassend lässt sich sagen, dass die Intra-Proben-Analyse mit DeepSpaceDB die Extraktion vielfältiger biologischer Erkenntnisse ermöglicht. Durch den Vergleich räumlicher Transkriptomdaten durch interaktive Werkzeuge und Reanalyse-Workflows können Forscher Hypothesen zur gewebespezifischen Genexpression und funktionellen Heterogenität aufstellen und validieren.

figure-results-1
Abbildung 1: Qualitätsmaße der Probe. (A) Anzahl der nachgewiesenen Gene, (B) Anzahl der Lesevorgänge und (C) prozentuale mitochondriale Lesevorgänge pro Spot. (D) Die durchschnittliche Anzahl der nachgewiesenen Gene pro Spot in dieser Probe im Vergleich zur Verteilung aller anderen Proben in der Datenbank. (E) Fleckencluster über die Gewebescheibe. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-2
Abbildung 2: Expression der wichtigsten räumlich variablen Gene. (a) nrgn, (b) slc17a7, (c) ly6h und (d) ddn. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-3
Abbildung 3: Aktivität der oberen räumlich variablen Signalwege. (A) Neuropeptid-Signalisierung, (B) Regulation der synaptischen Plastizität, (C) Neurotransmitter-Transport. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-4
Abbildung 4: Vergleich von Genexpressionsmustern zwischen zwei ausgewählten Regionen des Mausgehirns. (A) Spot-Selektion in hypothalamischen und hippokampalen Regionen für Vergleiche innerhalb der Stichprobe. Die ausgewählte Region 1 wird rot und die Region 2 grün dargestellt. Räumliche Expressionsmuster von differentiell exprimierten Genen (B) Pmch und (C) Ttr zwischen hypothalamischen und hippokampalen Regionen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-5
Abbildung 5: Eigenschaften von zwei metastasierten Leberproben der Maus. Für die Stichprobe DSID001005: (A) Expression von Epcam-Markern , (B) Spot-Cluster und (C) ausgewählte Regionen in krebsartigen und entfernten Regionen für Vergleiche innerhalb der Probe. Für die Stichprobe DSID001007: (D) Expression von Epcam-Markern , (E) Spot-Cluster und (F) ausgewählte Regionen in krebsartigen und entfernten Regionen für Vergleiche innerhalb der Probe. Bei beiden Proben befinden sich Tumorflecken in den rot dargestellten Regionen und Nicht-Tumorflecken in den grün dargestellten Regionen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-6
Abbildung 6: Ergebnisse der erneuten Analyse. (A) Schematische Zusammenfassung des Arbeitsablaufs, der bei der erneuten Analyse verwendet wird. (B) Vulkandiagramm, das die unterschiedlich exprimierten Gene zwischen Krebsregionen und entfernten Regionen darstellt. Anreicherung des KEGG-Signalwegs von (C) hochregulierten Genen und (D) herunterregulierten Genen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-7
Abbildung 7: Räumliche Expression von Genen. (A) Cldn7, (B) Cldn4 und (C) Actg1 in Gewebeschnitten DSID001005. Räumliche Expression von Genen. (D) Cldn7, (E) Cldn4 und (F) Actg1 in Gewebeschnitt DSID001007. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ergänzende Dateien 1-4: Datendateien und R-Skript für ein Beispiel für Lebermetastasen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Discussion

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

Hier haben wir zwei umfassende Protokolle vorgestellt, die die Navigation, den Abruf und die Analyse von räumlichen Transkriptomikdaten in DeepSpaceDB beschreiben. Während sich die meisten Spatial-Omics-Datenbanken auf die Sammlung von Daten aus einer großen Anzahl von Stichproben konzentrieren, die mit verschiedenen Plattformen generiert wurden 3,4,5,6, konzentriert sich DeepSpaceDB auf die Entwicklung interaktiver Werkzeuge, die es den Nutzern ermöglichen, räumliche Transkriptomfunktionen gründlich und effizient zu erforschen. Um diesen Funktionsumfang zu ermöglichen, konzentriert sich das aktuelle Release ausschließlich auf die Visium-Plattform. Mit dem Aufkommen hochauflösender Plattformen planen wir, DeepSpaceDB entsprechend zu erweitern und neue Strategien für die benutzerfreundliche Verarbeitung und Integration solcher Daten zu entwickeln.

DeepSpaceDB ermöglicht es Nutzern, Metriken zur Probenqualität (z. B. Genanzahl, Lesetiefe) zu bewerten und sie über Datensätze hinweg zu vergleichen. Die Datenbank enthält mehrschichtige Annotationen: unüberwachtes Clustering über die gesamte Datenbank mit zugewiesenen Labels, LLM-basierte Erkennung von strukturellen und pathologischen Merkmalen aus histologischen Bildern und histologische Annotationen von Experten für eine wachsende Untergruppe von Proben. Darüber hinaus können Benutzer interaktiv interessante Regionen innerhalb oder zwischen Proben auswählen, um die Genexpression zu vergleichen, was Untersuchungen von räumlichen Kontrasten zwischen Regionen wie Tumor und Stroma oder kranken und gesunden Regionen ermöglicht. Solche Funktionen fehlen im Allgemeinen in anderen Datenbanken 3,4,5,6. Andere Merkmale, wie z. B. räumlich variable Gene und Signalwege, Zelltypvorhersagen und Clustering-Ergebnisse, sind ebenfalls verfügbar. Zusammengenommen senkt diese Datenbank die Hürden für die Erforschung von räumlichen Transkriptomik-Daten erheblich. Proben aus einer Vielzahl von Geweben und Erkrankungen sind frei zugänglich, und die Benutzer können sie durch einfache Point-and-Click-Interaktionen navigieren. Es sind keine fortgeschrittenen Bioinformatik-Kenntnisse erforderlich. Allerdings ist wahrscheinlich ein gewisses Vorwissen über Markergene und Gewebearchitektur erforderlich, um Expressionsmuster genau zu interpretieren und interessante Regionen im Tissue Explorer-Tool auszuwählen.

Obwohl hier nicht vorgestellt, können Benutzer auch ihre eigenen Proben hochladen und viele der gleichen Tools anwenden, um sie zu analysieren. Die Datenbank unterstützt auch Vergleiche zwischen 2 verschiedenen Gewebeschnitten, was beispielsweise Vergleiche zwischen erkranktem Gewebe und gesundem Kontrollgewebe ermöglicht. Schließlich stehen Roh- und verarbeitete Daten sowie alle abgeleiteten Analyseergebnisse zum Download zur Verfügung, um nachgelagerte Arbeitsabläufe und benutzerdefinierte Analysen zu unterstützen. Für einige dieser Tools sind kurze Tutorial-Videos auf der Tutorial-Seite der Datenbank verfügbar.

Es gibt immer noch Aspekte der Datenbank, die verbessert werden müssen. Eine davon ist die genaue Vorhersage von Zelltypen und Zelltypzusammensetzungen an jeder Stelle innerhalb der Gewebeschnitte. In der aktuellen Version von DeepSpaceDB (Version 1.0) haben wir die Zelltypzusammensetzung jedes Visium-Spots mit einer Methode namens robuste Zelltypzerlegung (RCTD)21 vorhergesagt. RCTD schnitt in einer kürzlich durchgeführten Benchmark-Studie relativ gut ab22. Die Vorhersagen der RCTD konnten auch in unserer jüngsten Studie an der Leber krebstragender Mäuse experimentell validiert werden23. Eine umfassende Bewertung der Genauigkeit von Zelltypvorhersagen wurde jedoch nicht durchgeführt. Ein damit zusammenhängendes Problem besteht darin, dass RCTD und andere Methoden zur Vorhersage von Zelltypen einen Referenzdatensatz mit annotierten Zelltypen erfordern. Im Allgemeinen werden Zelltypen (oder Zelltypzusammensetzungen) an jedem räumlichen Ort durch den Vergleich mit Genexpressionsmustern in diesem Referenzdatensatz vorhergesagt. Die Auswahl einer geeigneten Referenz für jedes Visium-Beispiel ist jedoch nicht immer einfach. Referenzen könnten Schlüsselzelltypen fehlen oder umgekehrt Zelltypen enthalten, die in der Gewebescheibe24 nicht vorhanden sind. Darüber hinaus können sich Zellen innerhalb eines Zelltyps in drastisch unterschiedlichen Zuständen befinden, z. B. inaktive und aktivierte Immunzellen25. Die in Referenzdatensätzen vorhandenen Zellzustände stimmen nicht unbedingt mit denen von räumlichen Stichproben überein, die häufig aus Krankheitsmodellen von Patienten gewonnen werden. Beide Probleme führen wahrscheinlich zu ungenauen Vorhersagen. Wir hoffen, dieses Problem in Zukunft angehen zu können.

Da sich das Gebiet der räumlichen Transkriptomik rasant weiterentwickelt, wird eine wachsende Anzahl von Computerwerkzeugen entwickelt, um verschiedene Aspekte räumlicher Daten zu analysieren, einschließlich Zell-Zell-Interaktionen, räumliche Domänen und die Vorhersage räumlich variabler Gene (siehe zum Beispiel 26,27,28). Diese Ausbreitung spiegelt zwar die Dynamik des Feldes wider, stellt aber auch eine Herausforderung für die Kuratierung und Integration von Werkzeugen in diese Datenbank dar. Um sicherzustellen, dass die robustesten und am weitesten verbreiteten Methoden einbezogen werden, besteht ein dringender Bedarf an systematischen Benchmark-Studien, die die Leistung der Werkzeuge über Datensätze und Analyseaufgaben hinweg bewerten 22,29,30. Solche Bemühungen werden von entscheidender Bedeutung sein, um eine fundierte Auswahl und Priorisierung von Instrumenten für die Aufnahme in die Datenbank zu ermöglichen.

Während andere räumliche Transkriptomik-Datenbanken versuchen, eine große Anzahl von Proben vieler verschiedener Plattformen zu sammeln, haben wir uns in DeepSpaceDB für eine andere Strategie entschieden: Konzentrieren Sie sich auf einige beliebte Plattformen und implementieren Sie interaktive und intuitive Tools, die es dem Benutzer ermöglichen, die Daten einfach und detaillierter zu untersuchen. Obwohl unsere Datenbank nur Visium-Beispiele in der aktuellen Version 1.0 enthält, planen wir, in einem zukünftigen Update auch Beispiele von anderen Plattformen aufzunehmen.

Disclosures

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

Die Autoren haben nichts offenzulegen.

Acknowledgements

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

Die Autoren danken Y. Harada für die Unterstützung im Sekretariat. Diese Arbeit wurde unterstützt von JST NBDC (Grant Number JPMJND2303, A.V.) und AMED (Grant Number JP24gm2010003, A.V.) Diese Arbeit wurde auch von JSPS KAKENHI (20H03451, 24K02236 und 24KK0147; S.K.), JST FOREST (JPMJFR2062; S.K), JST Moonshot (JPMJMS2011-61; S.K). Die Geldgeber spielten keine Rolle beim Studiendesign, der Datenerhebung und -analyse, der Entscheidung über die Veröffentlichung oder der Vorbereitung des Manuskripts.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
clusterProfilerR-Paket - Version 4.14.6
DeepSpaceDB (Englisch)Version > 1.0Ein Link zur Datenbank: www.deepspacedb.com
LimmaR-Paket - Version 3.62.2
RVersion 4.4.2
RStudioPostulierenFassung 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