Name: Exploitation de jeux de données de transcriptomique spatiale à l’aide de DeepSpaceDB (Vidéo) | JoVE Journal
Uploaded: 2025-09-05T14:20:00.000+00:00
Duration: 10 min 16 s
Description: Découvrez DeepSpaceDB, une base de données interactive pour explorer la transcriptomique spatiale et l'expression génique tissulaire. Cette méthode permet aux chercheurs d'analyser les mécanismes des maladies sans compétences en programmation.

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>Package R - version 4.14.6</td><td></td></tr><tr><td>DeepSpaceDB (en anglais seulement)</td><td></td><td>Version > 1.0</td><td>Un lien vers la base de données : www.deepspacedb.com</td></tr><tr><td>Limma</td><td></td><td>Package R - version 3.62.2</td><td></td></tr><tr><td>R</td><td></td><td>Édition 4.4.2</td><td></td></tr><tr><td>RStudio</td><td>Énoncer</td><td>Version 2024.12</td><td></td></tr></tbody></table>

exploitation de jeux de données de transcriptomique spatiale à l’aide de deepspacedb

Mining Spatial Transcriptomics Datasets using DeepSpaceDB

L’exemple 1 a démontré l’analyse d’un échantillon de cerveau de souris, validant des paramètres tels que le nombre de lectures, les gènes et les voies spatialement variables et les variations d’expression génique entre l’hippocampe et le cortex. Tout d’abord, la qualité de l’échantillon de cerveau de souris DSID001557 a été évaluée à l’aide de plusieurs mesures de qualité : « Gènes détectés » (figure 1A), « Nombre de lectures » (Figure 1B) et « Mito » (le pourcentage de lectures mitochondriales ; Figure 1C). Cela a clairement mis en évidence une région de moins bonne qualité sur le côté gauche de l’échantillon de cerveau, en raison du faible nombre de gènes détectés et du faible nombre de lectures. Pour comprendre la qualité relative de l’échantillon par rapport à tous les autres échantillons, vous avez cliqué sur l’onglet Qualité relative de l’échantillon de la base de données, ce qui a affiché un graphique du nombre en fonction du non. de gènes détectés par point (moyenne). Pour l’échantillon analysé, entre 3500 et 4000 gènes ont été détectés par point (figure 1D). Les caractéristiques anatomiques de l’échantillon ont été analysées plus en détail à l’aide de l’onglet Annotation d’image . D’une manière générale, ces annotations ont été générées en découpant des images de tissus en parties plus petites et en demandant à un LLM de décrire les caractéristiques observables8. Il s’agit d’indications approximatives pour aider à l’interprétation de l’échantillon et qui doivent être interprétées avec prudence. Pour un sous-ensemble d’échantillons (en particulier des échantillons de cancer du sein humain), des annotations par un spécialiste humain sont également disponibles. Cependant, compte tenu de la qualité inférieure des images Visium H&amp;E par rapport aux images utilisées pour le diagnostic de routine, les annotations fournies sont uniquement à des fins de recherche. Pour un exemple DSID001557, déplacez le curseur sur la tranche affichée des annotations des différentes régions du cerveau de la souris, telles que la région de l’hippocampe, les couches corticales, les couches cellulaires denses avec gliose, etc. À partir de la compréhension des caractéristiques anatomiques de base de la tranche d’échantillon, des caractéristiques détaillées telles que les groupes de types cellulaires et les gènes et voies spatialement variables ont été explorées plus avant. L’échantillon de cerveau de souris comportait 15 grappes au total, qui étaient représentées par un codage couleur sur la tranche de l’échantillon (Figure 1E). Certains des gènes spatialement variables les plus associés à l’échantillon sont Nrgn, Slc17a7, Ly6h et Ddn (Figure 2). Nrgn a montré une forte expression dans la région de l’hippocampe, conformément aux preuves littéraires qui indiquent le rôle de la protéine codée par Nrgn (neurogranine) dans la médiation de la plasticité synaptique et de l’apprentissage spatial15. Slc17a7, un gène codant pour un transporteur vésiculaire de glutamate crucial pour la neurotransmission dans les neurones glutaminergiques16, et Ddn, un gène codant pour une protéine qui module la structure du cytosquelette post-synaptique17, étaient également fortement exprimés dans la région de l’hippocampe. En revanche, l’expression du gène Ly6h a été localisée dans la région corticale, conformément à la littérature qui indique le rôle synaptique restrictif de Ly6h dans les membranes des cellules corticales18. De la même manière, l’activité des voies a été visualisée à travers la tranche d’échantillon (Figure 3). On a observé que les voies spatialement variables étaient activées en concordance avec les rôles fonctionnels des gènes spatialement variables, avec la régulation de la plasticité synaptique et de l’activité des neurotransmetteurs dans la région de l’hippocampe, et la signalisation des neuropeptides dans la région corticale.
Enfin, pour identifier les gènes exprimés de manière différentielle entre la région de l’hippocampe et l’hypothalamus de l’échantillon de cerveau de souris, l’onglet Tissue Explorer a été utilisé. Les points associés aux régions d’intérêt ont été sélectionnés à l’aide de l’annotation de l’image (figure 4A). D’après le nuage de points généré, certains des gènes exprimés différentiellement identifiés figuraient parmi les gènes spatialement variables les plus élevés (Nrgn, Slc17a7, Ddn), en plus de quelques autres, tels que Pmch et Ttr. L’expression de ces gènes a été visualisée dans la tranche d’échantillon. Pmch était spécifiquement surexprimé dans la région hypothalamique latérale (figure 4B ; comparer avec la zone verte sélectionnée sur la figure 4A). Ce gène code pour le précurseur de l’hormone de concentration de la mélanine et est impliqué dans le maintien de l’homéostasieénergétique 19. En revanche, le gène Ttr était spécifiquement exprimé dans la région de l’hippocampe (Figure 4C ; comparer avec la zone sélectionnée en rouge sur la Figure 4A), conformément à son rôle fonctionnel dans l’apprentissage et la mémoire spatiale20. En effectuant des comparaisons intra-échantillon entre différentes régions du cerveau de souris à l’aide de cette base de données, nous avons pu mettre en évidence des caractéristiques fonctionnelles spécifiques à une région basées sur l’expression spatiale des gènes et l’activité des voies.
Dans l’exemple 2, la base de données a été utilisée pour l’identification des signatures immunitaires associées aux métastases colorectales dans le foie. Une comparaison intra-échantillon a été effectuée entre la région tumorale avec métastases colorectales et le tissu hépatique sain et distant, grâce à une sélection appropriée pour les deux échantillons : DSID001005 (Figure 5A-C) et DSID001007 (Figure 5D-F). L’analyse différentielle de l’expression entre la région tumorale avec métastases colorectales et le tissu hépatique sain a révélé la régulation négative de 138 gènes et la régulation positive de 115 gènes, sur la base des paramètres sélectionnés (Figure 6A,B). L’analyse des voies KEGG a démontré l’enrichissement des voies régulées à la baisse, comme le métabolisme des médicaments et la cancérogenèse chimique (Figure 6C), tandis que les gènes régulés à la hausse présentaient des signatures correspondant à la migration trans-endothéliale des leucocytes, à l’adhésion focale et au cycle cellulaire, entre autres (Figure 6D). En se concentrant sur la pertinence de la migration trans-endothéliale des leucocytes pour l’activité immunitaire, les principaux gènes détectés dans la catégorie ont été identifiés et leur expression spatiale a été observée dans DeepSpaceDB. Il est intéressant de noter que les gènes Cldn7, Cldn4 et Actg1 détectés dans la catégorie de la migration trans-endothéliale leucocytaire ont montré une régulation positive dans la région tumorale (site Epcam+) des échantillons, et non dans la région éloignée avec du tissu hépatique sain (Figure 7). Cela a permis de mieux comprendre la nature de l’activité immunitaire entraînée au niveau du site tumoral du foie, avec le recrutement actif des leucocytes. En résumé, l’analyse intra-échantillon à l’aide de DeepSpaceDB permet d’extraire diverses informations biologiques. En comparant les données transcriptomiques spatiales à l’aide d’outils interactifs et de flux de travail de réanalyse, les chercheurs peuvent générer et valider des hypothèses concernant l’expression génique spécifique aux tissus et l’hétérogénéité fonctionnelle.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68892/68892fig1.jpg"> 
Figure 1 : Mesures de la qualité de l’échantillon. (A) le nombre de gènes détectés, (B) le nombre de lectures mitochondriales et (C) le pourcentage de lectures mitochondriales par point. (D) Le nombre moyen de gènes détectés par point dans cet échantillon, comparé à la distribution de tous les autres échantillons de la base de données. (E) Repérez les grappes sur la tranche de tissu. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig1large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68892/68892fig2.jpg"> 
Figure 2 : Expression des gènes spatialement variables supérieurs. (a) nrgn, (b) slc17a7, (c) ly6h et (d) ddn. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig2large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68892/68892fig3.jpg"> 
Figure 3 : Activité des voies spatialement variables supérieures. (A) Signalisation des neuropeptides, (B) Régulation de la plasticité synaptique, (C) Transport des neurotransmetteurs. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig3large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68892/68892fig4.jpg"> 
Figure 4 : Comparaison des modèles d’expression génique entre deux régions sélectionnées du cerveau de la souris. (A) Sélection ponctuelle dans les régions hypothalamiques et hippocampiques pour les comparaisons intra-échantillon. La région 1 sélectionnée est affichée en rouge et la région 2 en vert. Modèles d’expression spatiale des gènes (B) Pmch et (C) Ttr exprimés différentiellement entre les régions hypothalamiques et hippocampiques. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig4large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68892/68892fig5.jpg"> 
Figure 5 : Propriétés de deux échantillons de foie de souris métastatiques. Pour les DSID001005 d’échantillon : (A) expression du marqueur Epcam, (B) groupes ponctuels, et (C) régions sélectionnées dans les régions cancéreuses et éloignées pour les comparaisons intra-échantillon. Pour les DSID001007 d’échantillon : (D) expression du marqueur Epcam, (E) groupes de points et (F) régions sélectionnées dans les régions cancéreuses et éloignées pour les comparaisons intra-échantillon. Pour les deux échantillons, les taches tumorales se trouvent dans les régions indiquées en rouge et les taches non tumorales se trouvent dans les régions indiquées en vert. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig5large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/68892/68892fig6.jpg"> 
Figure 6 : Résultats de la réanalyse. (A) Résumé schématique du flux de travail utilisé dans la réanalyse. (B) Graphique du volcan représentant les gènes exprimés différentiellement entre les régions cancéreuses et les régions éloignées. Enrichissement de la voie KEGG de (C) gènes régulés à la hausse et (D) de gènes régulés à la baisse. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig6large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/68892/68892fig7.jpg"> 
Figure 7 : Expression spatiale des gènes (A) Cldn7, (B) Cldn4 et (C) Actg1 dans une coupe de tissu DSID001005. Expression spatiale des gènes. (D) Cldn7, (E) Cldn4 et (F) Actg1 dans une coupe de tissu DSID001007. <a href="https://www.jove.com/files/ftp_upload/68892/68892fig7large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
Fichiers supplémentaires 1-4 : Fichiers de données et script R pour l’exemple des métastases hépatiques. <a href="https://www.jove.com/files/ftp_upload/68892/Supplementary.zip" target="_blank">Veuillez cliquer ici pour télécharger ce fichier.</a>

Exploitation de jeux de données de transcriptomique spatiale à l’aide de 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

Recherche

JoVE Journal

Biology

Biologie

Ce protocole décrit un flux de travail comparatif d’assemblage et d’annotation du transcriptome de novo pour les bioinformaticiens débutants. Le flux de travail est disponible gratuitement entièrement via CyVerse et connecté par le Data Store. La ligne de commande et les interfaces utilisateur graphiques sont utilisées, mais tout le code nécessaire est disponible pour le copier-coller.

Tirer parti des ressources CyVerse pour<em&gt; De Novo</em&gt; Transcriptomie comparative des organismes sous-gardés (non-modèles)

Séquençage en profondeur des populations de levures sélectionnées pour les interactions 2-hybride de levure positive potentiellement donne une mine de renseignements sur les protéines qui interagissent de partenaire. Nous décrivons ici l’exploitation d’outils bioinformatiques précis et à jour de logiciels sur mesure pour analyser les données de séquençage de ces écrans.

Analyse informatique des données de séquence d’écrans de 2-hybride de levure lot

Ce protocole décrit les processus générales et contrôle qualité vérifie nécessaire pour la préparation de cellules unique chez les mammifères adultes saines pour les préparations de RNA-Seq cellule unique axée sur la gouttelette, haut débit. Séquençage des paramètres, l’alignement de lecture et l’analyse bioinformatique de cellule unique en aval sont également fournis.

Transcriptomique cellule unique axée sur le codage à barres de gouttelettes de tissus de mammifères adultes

Ici, nous décrivons un protocole de réglage fin des régions d’intérêt (ROI) pour les technologies Spatial Omics afin de mieux caractériser le microenvironnement tumoral et d’identifier des populations cellulaires spécifiques. Pour les tests protéomiques, des protocoles personnalisés automatisés peuvent guider la sélection du retour sur investissement, tandis que les tests transcriptomiques peuvent être affinés en utilisant des retours sur investissement aussi petits que 50 μm.

Profilage spatial de l’expression des protéines et de l’ARN dans les tissus : une approche pour affiner la microdissection virtuelle

Cette plate-forme informatique analytique fournit des conseils pratiques aux microbiologistes, aux écologistes et aux épidémiologistes intéressés par la génomique des populations bactériennes. Plus précisément, les travaux présentés ici ont démontré comment effectuer: i) une cartographie guidée par la phylogénie des génotypes hiérarchiques; ii) l’analyse des génotypes fondée sur la fréquence; iii) analyses de la parenté et de la clonalité; iv) l’identification des loci accessoires différenciant...

Exploration heuristique des génotypes hiérarchiques et des loci du génome accessoire dans les populations bactériennes

Nous décrivons ici une méthode qui permet de décalcifier les tissus osseux fraîchement obtenus et de préserver l’ARN de haute qualité. Une méthode est également illustrée pour sectionner des échantillons d’os non déminéralisés contenant de la paraffine fixe au formol (FFPE) afin d’obtenir des résultats de bonne qualité si les tissus frais ne sont pas disponibles ou ne peuvent pas être recueillis.

Méthodes pour permettre la transcriptomique spatiale des tissus osseux

Cet article présente un protocole permettant d’effectuer un profilage transcriptomique spatial complet de l’ARN de l’hôte, du virus, du fongique et du microbiome à partir de coupes de tissus fixés au formol et inclus dans de la paraffine à l’aide de Stereo-seq, qui permet de cartographier à haute résolution divers transcriptomes tout en préservant l’architecture tissulaire.

Profilage spatial complet de transcriptomes agnostiques par stéréo-seq

Ce protocole inclut un flux de travail étape par étape pour les échantillons vasculaires calcifiés : manipulation tissulaire, décalcification, validation de l’ARN, détection des niveaux de calcification et stratégies de sélection des régions d’intérêt sur le Nanostring GeoMx Digital Spatial Profiler (DSP). L’objectif est de présenter une méthode complète pour préserver la morphologie des tissus vasculaires et l’ARN afin d’une analyse transcriptomique spatiale fiable.

Préparation et traitement des artères calcifiées avec morphologie et ARN préservés pour le profilage spatial numérique

Cette étude présente un protocole multiome spatial Trekker–CUT&amp;Tag combinant le codage à barres spatial direct d’une section tissulaire avec l’analyse multiome unicellulaire. Cette approche permet simultanément un profilage spatial de l’expression génique par une seule cellule et la modification de l’histone H3K27ac, offrant des perspectives mécanistes sur la régulation génique dans le contexte de la microanatomie tissulaire.

Profilage multiomique spatialement résolu et intégré à cellules uniques du transcriptome et des cibles épigénomiques dans les sections de tissu gelé

Nous présentons une méthode pour générer des ADNc de l'ARNm de l'environnement. En général, l'ARN total est d'abord recueilli de l'environnement, l'ARNr est enlevé sélectivement, l'ARNm est sélectivement amplifié, et l'ADNc synthétisé à partir de la piscine ARNm enrichi est séquencé. Séquences récupérés peuvent être annotés en utilisant des techniques standard de la bioinformatique pour identifier les gènes exprimés.

Analysant l&#39;expression de gènes à partir communautés microbiennes marines utilisant Transcriptomique environnement

Découvrez DeepSpaceDB, une base de données interactive pour explorer la transcriptomique spatiale et l'expression génique tissulaire. Cette méthode permet aux chercheurs d'analyser les mécanismes des maladies sans compétences en programmation.

Exploitation de jeux de données de transcriptomique spatiale à l’aide de DeepSpaceDB

Explorer plus de vidéos