Estrazione di set di dati di trascrittomica spaziale utilizzando DeepSpaceDB

Stiamo creando un database di trascrittomica spaziale chiamato DeepSpaceDB. L'obiettivo è quello di rendere i dati di trascrittomica spaziale più facilmente accessibili per biologi e bioinformatici. Sono state sviluppate diverse piattaforme di trascrittomica spaziale.

Consentono ai ricercatori di studiare i modelli di espressione genica all'interno di fette di tessuto. Ma questa tecnologia è costosa e l'analisi dei dati richiede competenze bioinformatiche di alto livello. Abbiamo utilizzato il ritmo e la piattaforma spaziale Xenium, la ricerca Our Cancer CEX.

Questa piattaforma ci permette di decidere il tumore, il gonfiore e persino il tessuto ospite distante all'interno dello stesso contesto d'organo. Può aiutarci a risolvere separatamente i cambiamenti nell'espressione e nel calcolo cellulare in ciascun compartimento. Una delle principali sfide per i biologi è proprio quella di condurre l'analisi dei dati.

Quindi ci sono molti ricercatori che non hanno le necessarie competenze di programmazione e computazionali per essere in grado di interpretare completamente un numero sempre più elevato di set di dati di trascrittomica spaziale che stanno diventando disponibili. Rendendo più facilmente accessibili i set di dati della trascrittomica spaziale, il database consente agli utenti di generare nuove ipotesi, esplorando i meccanismi alla base di diverse malattie. Così, ad esempio, possiamo valutare i modelli spaziali di espressione genica associati al microambiente tumorale.

Per iniziare, fai clic sulla scheda del database e seleziona l'organismo come topo, l'organo come cervello e la fonte come Zenodo. Scorrere i campioni risultanti e selezionare il campione etichettato DSID001557. Quindi fare clic sul campione selezionato e confermare che la descrizione legge 2 milioni di cellule in una cellula NK salina da 100 microlitri.

Fare clic sulla scheda qualità per valutare la qualità del campione. Dal menu a discesa delle misure di qualità, selezionare opzioni quali geni rilevati, conteggio delle letture e mito per visualizzare le rispettive distribuzioni dei parametri nella fetta di campione. Ora, vai alla scheda di annotazione dell'immagine per identificare diverse regioni nella fetta di campione.

Spostare il cursore del mouse sulla sezione di esempio per visualizzare le annotazioni. Visualizza le annotazioni basate su griglia generate da un modello linguistico di grandi dimensioni che mostrano le caratteristiche anatomiche e le condizioni associate. Passare quindi alla scheda cluster per esaminare i cluster di tipi di celle nella sezione di esempio.

Visualizzate l'incorporamento bidimensionale dei cluster e la corrispondente rappresentazione codificata a colori nei punti della fetta di campione. Successivamente, vai alla scheda dei geni per esaminare i geni spazialmente variabili nel campione. Fare clic su alcuni dei geni in cima all'elenco per generare grafici spaziali della loro espressione attraverso la fetta di tessuto.

Osservare i modelli di espressione codificati a colori, che mostrano chiaramente distribuzioni spaziali distinte per i geni con il punteggio più alto. Quindi vai alla scheda dei percorsi per esaminare l'attività dei set di geni associati ai percorsi biologici comuni. Visualizza l'elenco delle vie spazialmente variabili con l'attività della via stimata in base ai livelli di espressione dei geni correlati.

Fare clic su alcuni dei percorsi superiori nell'elenco per generare grafici spaziali della loro attività attraverso la fetta di tessuto. Osservare i modelli codificati a colori dell'attività del percorso attraverso diverse regioni tissutali. Ora vai alla scheda Tissue Explorer, che consente agli utenti di selezionare liberamente le regioni di interesse e confrontare i modelli di espressione genica tra di loro.

Assicurarsi che la selezione manuale sia attivata. Utilizzando il cursore del mouse, selezionare i punti nella regione dell'ippocampo sul lato sinistro della fetta cerebrale del topo. Fare clic su set one, quindi su aggiungi a set per evidenziare i punti selezionati sul pannello di destra.

Quindi fare clic sul set due e utilizzare il cursore del mouse per selezionare i punti nella regione ipotalamica della fetta di cervello. Fare clic su aggiungi per impostare per evidenziare questi punti selezionati sul lato destro. Dopo aver completato la selezione del punto, fare clic sul pulsante di confronto dell'espressione genica.

Questo genera una tabella, che mostra i valori medi di espressione genica per ogni regione selezionata insieme a una rappresentazione del grafico a dispersione. Spostare il cursore sui singoli punti del grafico a dispersione per confermare i nomi dei geni e i valori medi di espressione in entrambe le regioni. Sulla base dei risultati del confronto, identificare i geni espressi in modo differenziale.

Torna alla scheda dei geni e visualizza l'espressione di questi geni attraverso la fetta di tessuto. Fare clic sulla scheda del database e utilizzare il filtro per selezionare l'organismo come topo, l'organo come fegato e la condizione come cancro. Dall'elenco di campioni risultante, selezionare DSID001005 di esempio.

Fare clic sul campione selezionato e confermare che la descrizione indica che il campione proviene da un fegato di topo, contenente metastasi di origine tumorale del colon-retto. Quindi vai alla scheda Tissue Explorer e attiva la modalità di selezione manuale. Utilizzando il cursore del mouse, selezionare i punti corrispondenti alla regione tumorale identificati dall'espressione positiva del marcatore EpCAM nel DSID001005 campione.

Fare clic su set one. Quindi selezionare aggiungi per impostare per evidenziare le macchie tumorali selezionate sul lato destro. Ora, fai clic sul set due e usa il cursore per selezionare i punti nella regione non tumorale distante del campione di fegato.

Fare clic su aggiungi per impostare per evidenziare le macchie non tumorali selezionate sul lato destro del display. Per eseguire ulteriori analisi dei dati di espressione genica, fare clic sull'opzione di download CSV, generando un file di valori separati da virgola dei dati di espressione genica per le due regioni del campione. Dopo aver ripetuto i passaggi di navigazione nel database per DSID001007, verificare che la descrizione indichi che si tratta di un'altra fetta di fegato di topo contenente metastasi di origine tumorale del colon-retto.

Successivamente, verifica che siano stati generati due file CSV, uno da campioni DSID001005 e uno DSID001007, contenenti due colonne che rappresentano l'espressione genica media nelle regioni tumorali e non tumorali. Caricare entrambi i file CSV nell'ambiente di programmazione R. Unire i set di dati per eseguire l'analisi a valle utilizzando due repliche per condizione.

In R, utilizzare il pacchetto limma per eseguire l'analisi dell'espressione genica differenziale sul set di dati di unione. Assegnare le regioni delle metastasi colorettali di entrambi i campioni al gruppo oncologico e le regioni sane distanti al gruppo di controllo. Filtra i risultati per identificare i geni sovraregolati con una variazione di log fold maggiore di 0,5 e un valore P aggiustato inferiore a 0,05.

Allo stesso modo, estrarre geni downregolati con una variazione del log fold inferiore a meno 0,5 e un valore P aggiustato inferiore a 0,05. Una regione distinta di bassa qualità è stata osservata sul lato sinistro del campione di cervello di topo, caratterizzata da un numero ridotto di geni rilevati e da un numero di letture inferiore. Il campione ha mostrato una media di circa 4.000 geni rilevati per spot, allineandosi bene con la distribuzione di altri campioni nel database.

Sono stati identificati 15 cluster spaziali nel campione di cervello di topo con confini distinti che rappresentano le differenze anatomiche. I geni NRGN, SLC17A7 e DDN hanno mostrato una forte espressione nella regione ippocampale. Al contrario, l'espressione di LY6H era localizzata nelle regioni corticali, in particolare nei bordi esterni inferiori sinistri e destri della fetta.

L'attività di segnalazione dei neuropeptidi era notevolmente aumentata nelle regioni corticali inferiori della fetta del campione. La regolazione della plasticità sinaptica è stata attivata in tutta la regione ippocampale, in particolare nelle zone medio-alte. L'attività di trasporto dei neurotrasmettitori era elevata nelle sezioni medie e superiori destre dell'ippocampo.

I geni CLDN7, CLDN4 e ACTG1 hanno mostrato una chiara sovraregolazione nella regione tumorale con metastasi colorettali nel campione di fegato DSID 001005. Al contrario, l'espressione di CLDN7, CLDN4 e ACTG1 era notevolmente inferiore nel tessuto epatico sano distante del campione DSID001007.