Ce protocole présente un flux de travail reproductible pour l'analyse de données de transcriptomique spatiale, guidant les utilisateurs depuis l'acquisition de données publiques et le contrôle qualité basé sur Seurat jusqu'à l'intégration, la détection de caractéristiques spatiales, la déconvolution des types cellulaires, l'annotation de régions d'intérêt et l'analyse des communications cellule-cellule, avec des points de contrôle pratiques qui soutiennent une exécution transparente.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de méthode
Un flux de travail pratique pour l'analyse des données de transcriptomique spatiale : de l'acquisition des données aux analyses avancées
Dans cet article
Résumé
Résumé
La transcriptomique spatiale (ST) caractérise l'expression génique à l'échelle du génome tout en préservant le contexte spatial bidimensionnel des molécules d'ARNm au sein des sections de tissus, permettant ainsi l'étude de l'architecture tissulaire et de la biologie associée au microenvironnement. Toutefois, l'analyse ST demeure difficile, car l'importation des données, le contrôle de qualité, l'intégration, la déconvolution, les statistiques spatiales et la visualisation nécessitent souvent plusieurs environnements logiciels ainsi que des choix de paramètres reproductibles. Ce protocole présente un flux de travail computationnel pratique pour les jeux de données ST publics en R, en commençant par l'acquisition des données et la configuration des logiciels, puis en poursuivant avec le chargement des données, le contrôle de qualité, la normalisation, l'intégration multi-échantillons, le regroupement (clustering) et l'analyse des gènes à variabilité spatiale basés sur Seurat. Le flux de travail applique ensuite des stratégies complémentaires de déconvolution, notamment une analyse SPOTlight guidée par référence et une modélisation thématique STdeconvolve sans supervision, suivies d'une analyse de communication spatiale entre cellules basée sur Giotto et d'une sélection interactive de régions d'intérêt (ROI) à l'aide d'une application Python Dash personnalisée. En mettant l'accent sur l'exécution par script, les justifications explicites des paramètres, les résultats attendus et des points de contrôle pour le dépannage, ce protocole fournit un cadre adaptable aux jeux de données ST standards basés sur puces d'éléments ainsi qu'à des plateformes apparentées, après évaluation des paramètres spécifiques à chaque jeu de données et à chaque plateforme.
Introduction
La transcriptomique spatiale (ST) est une famille révolutionnaire de technologies qui mesure l'expression génique à l'échelle du génome tout en conservant les coordonnées spatiales des molécules d'ARN messager (ARNm) au sein des sections de tissus. Les méthodes de ST comprennent des approches fondées sur le séquençage utilisant des réseaux à codes-barres positionnels et des approches d'imagerie in situ qui cartographient les signaux transcriptionnels dans des microenvironnements tissulaires intacts1,2. En préservant le contexte spatial, la ST permet l'analyse de l'architecture tissulaire, de l'organis....
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Toutes les banques de données biologiques analysées dans ce protocole sont accessibles au public et utilisées uniquement à des fins de démonstration. Les numéros d'accès spécifiques aux données ainsi que les référentiels d'origine sont indiqués dans les étapes correspondantes. Les jeux de données originaux ont été produits par les chercheurs initiaux conformément aux lignes directrices éthiques institutionnelles applicables à chaque étude source. Consultez le Tableau des matériaux pour vérifier toutes les versions requises des logiciels et des packages R.
Exigences matérielles : La mémoire informatique requise pour ce flux ....
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Mise en œuvre du flux de travail et intégration des données illustrant les caractéristiques majeures des tissus
Le flux de travail informatique a été appliqué à des données de transcriptomique spatiale du côlon de souris afin d'illustrer les résultats attendus à chaque étape analytique. Comme indiqué dans le schéma du flux de travail (Figure 1), le pipeline débutait par l'acquisition des données et le contrôle de qualité, où les graphiques spatiau.......
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
Ce protocole fournit un flux de travail computationnel complet pour l'analyse de données de transcriptomique spatiale, équilibrant profondeur analytique et accessibilité pratique. L'approche étape par étape accompagne les chercheurs tout au long du pipeline analytique complet, de l'acquisition initiale des données jusqu'aux analyses spatiales avancées, en mettant l'accent sur les points de décision cruciaux et les pièges potentiels.
Plusieurs étapes du protocole méritent une attention particul.......
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
Les auteurs déclarent qu’ils n’ont aucun intérêt financier concurrent.
Remerciements
Les auteurs remercient les développeurs et mainteneurs des packages Seurat, Giotto et SPOTlight pour leur soutien et leur documentation. Les contributions des dépôts de données publiques et des chercheurs ayant généreusement partagé leurs jeux de données sont également chaleureusement reconnues.
....Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| ggplot2 | Posit Software, PBC | v4.0.0(CRAN) | Visualisation avancée des données |
| Giotto | Dries Lab | v4.2.2 (GitHub) | Analyse des réseaux spatiaux et des communications cellule-à-cellule |
| patchwork | Thomas Lin Pedersen | v1.3.2 (CRAN) | Composition et disposition des graphiques |
| R software | Fondation R pour l'informatique statistique | v4.4.3 | Environnement d'exécution principal (macOS aarch64) |
| scater | Davis McCarthy et al. | v1.34.1 (Bioconductor) | Contrôle qualité et visualisation en cellule unique |
| scran | Aaron Lun et al. | v1.34.0 (Bioconductor) | Modélisation de la variance en cellule unique et détection de marqueurs |
| Select Spatial Spots (Outil Python personnalisé) | LeafLight | v1.0.0 (GitHub) | Sélection interactive de régions d'intérêt spatiales (ROI) (https://github.com/LeafLight/SelectSpatialSpots) |
| Seurat | Satija Lab | v5.3.0 (CRAN) | Prétraitement, intégration et regroupement des données spatiales |
| SeuratObject | Satija Lab | v5.2.0 (CRAN) | Structures de données pour les données en cellule unique et spatiales |
| SingleCellExperiment | Équipe centrale de Bioconductor | v1.28.1 (Bioconductor) | Conteneur de données standardisé pour la scRNA-séq |
| SPOTlight | Marc Elosua-Bayes et al. | v1.10.0 (Bioconductor) | Déconvolution spatiale guidée par référence |
| Stdeconvolve | Jean Fan Lab | v1.3.2 (Bioconductor) | Modélisation de sujets latents non supervisée |
| tidyverse | Posit Software, PBC | v2.0.0 (CRAN) | Suite principale de manipulation et de formatage des données |
Références
- Ozirmak Lermi N, Molina Ayala M, Hernandez S, et al. Comparison of imaging based single-cell resolution spatial transcriptomics profiling platforms using formalin-fixed paraffin-embedded tumor samples. Nat Commun. 2025;16(1):8499.
- Ren P, Zhang R, Wang Y, et al. Systematic benchmarking of high-throughput subcellular spatial transcriptomics platforms across human tumors. Nat Commun. 2025;16(1):9232.
- Danishuddin, Khan S, Kim JJ. Spatial transcriptomics data and analytical methods: An updated perspective. Drug Discovery Today. 2024;29(3):103889.
- Xu Z, Wang W, Yang T, et al. STOmicsDB: A comprehensive database for spatial transcri....
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Réimpressions et autorisations
