Name: Mining von räumlichen Transkriptomik-Datensätzen mit DeepSpaceDB (Video) | JoVE Journal
Uploaded: 2025-09-05T14:20:00.000+00:00
Duration: 10 min 16 s
Description: Erfahren Sie, wie DeepSpaceDB räumliche Transkriptomik-Daten zugänglich macht, um Gewebeorganisation und Krankheitsmechanismen zu untersuchen. Diese Methode ermöglicht Biologen die Analyse komplexer Gendaten ohne Programmierkenntnisse.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

<table><tbody><tr><td>clusterProfiler</td><td></td><td>R-Paket - Version 4.14.6</td><td></td></tr><tr><td>DeepSpaceDB (Englisch)</td><td></td><td>Version > 1.0</td><td>Ein Link zur Datenbank: www.deepspacedb.com</td></tr><tr><td>Limma</td><td></td><td>R-Paket - Version 3.62.2</td><td></td></tr><tr><td>R</td><td></td><td>Version 4.4.2</td><td></td></tr><tr><td>RStudio</td><td>Postulieren</td><td>Fassung 2024.12</td><td></td></tr></tbody></table>

mining von räumlichen transkriptomik-datensätzen mit deepspacedb

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

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&amp;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.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68892/68892fig1.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig1large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68892/68892fig2.jpg"> 
Abbildung 2: Expression der wichtigsten räumlich variablen Gene. (a) nrgn, (b) slc17a7, (c) ly6h und (d) ddn. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig2large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68892/68892fig3.jpg"> 
Abbildung 3: Aktivität der oberen räumlich variablen Signalwege. (A) Neuropeptid-Signalisierung, (B) Regulation der synaptischen Plastizität, (C) Neurotransmitter-Transport. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig3large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68892/68892fig4.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig4large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68892/68892fig5.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig5large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68892/68892fig6.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig6large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68892/68892fig7.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig7large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Ergänzende Dateien 1-4: Datendateien und R-Skript für ein Beispiel für Lebermetastasen. <a href="https://www.jove.com/files/ftp_upload/68892/Supplementary.zip" target="_blank">Bitte klicken Sie hier, um diese Datei herunterzuladen.</a>

Mining von räumlichen Transkriptomik-Datensätzen mit DeepSpaceDB

Spatial transcriptomics is a rapidly evolving technology that enables the capture of gene expression patterns in tissue samples while preserving ...

mining-spatial-transcriptomics-datasets-using-deepspacedb

Research

Forschung

JoVE Journal

Biology

Biologie

Dieses Protokoll beschreibt einen vergleichenden Arbeitsablauf für die Assemblierung und Annotation von De-novo-Transkriptomen für unerfahrene Bioinformatiker. Der Workflow ist vollständig über CyVerse kostenlos verfügbar und über den Data Store verbunden. Es werden Befehlszeilen und grafische Benutzeroberflächen verwendet, aber der gesamte benötigte Code steht zum Kopieren und Einfügen zur Verfügung.

Nutzung von CyVerse Resources für<em&gt; De Novo</em&gt; Vergleichende Transkriptomik von unversicherten (Nicht-Modell-) Organismen

Tiefe Sequenzierung der Hefe Bevölkerung ausgewählt für positive Hefe 2-Hybrid Interaktionen potenziell liefert eine Fülle von Informationen über interagierenden Partner Proteine. Hier beschreiben wir den Betrieb von bestimmten Bioinformatik und aktualisierte Individualsoftware Sequenzdaten von solchen Bildschirmen zu analysieren.

Informatischen Analyse von Sequenzdaten von Batch-Hefe-2-Hybrid-Bildschirme

Dieses Protokoll beschreibt die allgemeine Prozesse und Qualitätskontrollen für die Zubereitung von gesunder Erwachsenen einziger Säugerzellen Droplet-basierte, hohen Durchsatz Einzelzelle RNA-Seq Vorbereitungen notwendig. Sequenzierung Parameter, lesen Sie Ausrichtung und nachgelagerten einzellige bioinformatische Analyse sind ebenfalls vorhanden.

Droplet Barcode-basierte Einzelzelle Transkriptom des adulten Säugetier-Geweben

Hier beschreiben wir ein Protokoll zur Feinabstimmung von Regions of Interest (ROIs) für Spatial Omics-Technologien, um die Tumormikroumgebung besser zu charakterisieren und spezifische Zellpopulationen zu identifizieren. Für Proteomik-Assays können automatisierte, angepasste Protokolle die ROI-Auswahl leiten, während Transkriptomik-Assays mit ROIs von nur 50 μm fein abgestimmt werden können.

Räumliches Profiling der Protein- und RNA-Expression im Gewebe: Ein Ansatz zur Feinabstimmung der virtuellen Mikrodissektion

Diese analytische Berechnungsplattform bietet praktische Anleitungen für Mikrobiologen, Ökologen und Epidemiologen, die sich für die Genomik der Bakterienpopulation interessieren. Insbesondere zeigte die hier vorgestellte Arbeit, wie man Folgendes durchführt: i) phylogenie-geführte Kartierung hierarchischer Genotypen; ii) frequenzbasierte Analyse von Genotypen; iii) Verwandtschafts- und Klonalitätsanalysen; iv) Identifizierung der Abstammungsdifferenzierung der akzessorischen Loci.

Heuristisches Mining von hierarchischen Genotypen und akzessorischen Genomloci in Bakterienpopulationen

Hier beschreiben wir eine Methode, die die Entkalkung von frisch gewonnenem Knochengewebe und den Erhalt hochwertiger RNA ermöglicht. Es wird auch ein Verfahren zum Schneiden von FFPE-Proben (Formalin Fixed Paraffin Embedded) von nicht demineralisierten Knochen vorgestellt, um qualitativ hochwertige Ergebnisse zu erhalten, wenn frisches Gewebe nicht verfügbar ist oder nicht entnommen werden kann.

Methoden zur Ermöglichung der räumlichen Transkriptomik von Knochengewebe

In diesem Artikel wird ein Protokoll vorgestellt, mit dem ein umfassendes räumliches Transkriptom-Profiling von Wirts-, Virus-, Pilz- und Mikrobiom-RNA aus formalinfixierten, in Paraffin eingebetteten Gewebeschnitten mittels Stereo-seq durchgeführt werden kann, das eine hochauflösende Kartierung verschiedener Transkriptome unter Beibehaltung der Gewebearchitektur ermöglicht.

Umfassendes räumliches Profiling von spezies-agnostischen Transkriptomen mittels Stereo-Seq

Dieses Protokoll beinhaltet einen Schritt-für-Schritt-Workflow für verkalkte Gefäßproben: Gewebehandhabung, Entkalkung, RNA-Validierung, Detektion von Verkalkungsniveaus und Strategien zur Auswahl von Interessenregionen auf dem Nanostring GeoMx Digital Spatial Profiler (DSP). Das Ziel ist es, eine umfassende Methode zur Erhaltung der Gefäßgewebemorphologie und RNA für eine zuverlässige räumliche transkriptomische Analyse zu präsentieren.

Verkalkte Arterienvorbereitung und -verarbeitung mit erhaltener Morphologie und RNA für digitale räumliche Profilierung

Diese Studie präsentiert ein räumliches Trekker–CUT&amp;Tag-Multiom-Protokoll, das direkte räumliche Barcodierung eines Gewebeschnitts mit einer Einzelzell-Multiomanalyse kombiniert. Dieser Ansatz ermöglicht räumlich aufgelöste Einzelzellprofilierung der Genexpression und der Histon-H3K27ac-Modifikation gleichzeitig und bietet mechanistische Einblicke in die Genregulation im Kontext der Gewebemikroanatomie.

räumlich aufgelöste, integrierte einzelzellige multiomische Profilierung des Transkriptoms und epigenomischen Zielen in gefrorenen Gewebeschnitten

Wir stellen eine Methode zur Erzeugung von cDNA aus Umwelt-mRNA. In der Regel Gesamt-RNA zunächst aus der Umgebung gesammelt, rRNA selektiv entfernt, mRNA wird selektiv verstärkt und cDNA aus der angereicherten mRNA-Pool synthetisiert wird sequenziert. Recovered Sequenzen annotiert werden unter Verwendung von Standard Bioinformatik Techniken, um die exprimierten Gene zu identifizieren.

Analyse von Genexpressionsdaten aus marinen mikrobiellen Gemeinschaften mit Environmental Transcriptomics

Erfahren Sie, wie DeepSpaceDB räumliche Transkriptomik-Daten zugänglich macht, um Gewebeorganisation und Krankheitsmechanismen zu untersuchen. Diese Methode ermöglicht Biologen die Analyse komplexer Gendaten ohne Programmierkenntnisse.

Mining von räumlichen Transkriptomik-Datensätzen mit DeepSpaceDB

Weitere Videos entdecken