Mining Spatial Transcriptomics-datasets met behulp van DeepSpaceDB
5 september 2025
Dit artikel introduceert een protocol voor het gebruik van DeepSpaceDB, een dynamische, interactieve database voor ruimtelijke transcriptomics, die analyseworkflows en voorbeelden biedt om weefselorganisatie en ziektegerelateerde genexpressie te onderzoeken.
We maken een ruimtelijke transcriptomics-database genaamd DeepSpaceDB. De oproep is om ruimtelijke transcriptomics-data toegankelijker te maken voor biologen en bio-informatici. Er zijn verschillende ruimtelijke transcriptomics-platforms ontwikkeld.
Ze stellen onderzoekers in staat om genexpressiepatronen in weefselplakjes te bestuderen. Maar deze technologie is duur en de data-analyse vereist bio-informaticavaardigheden op hoog niveau. We hebben gebruik gemaakt van het ritme en het ruimtelijke platform Xenium, het Our Cancer CEX Research.
Dit platform stelt ons in staat om tumor, zwelling en zelfs het verre gastheerweefsel binnen dezelfde orgaancontext te beslissen. Het kan ons helpen om de veranderingen in de expressie en cellulaire berekening in elk compartiment afzonderlijk op te lossen. Een van de grootste uitdagingen voor biologen is het uitvoeren van data-analyse.
Er zijn dus veel onderzoekers die niet over de nodige programmeer- en rekenvaardigheden beschikken om een steeds groter aantal ruimtelijke transcriptomics-datasets die nu beschikbaar komen, volledig te kunnen interpreteren. Door ruimtelijke transcriptomics-datasets gemakkelijker toegankelijk te maken, stelt de database gebruikers in staat om nieuwe hypothesen te genereren, waarbij de onderliggende mechanismen achter verschillende ziekten worden onderzocht. We kunnen bijvoorbeeld de ruimtelijke genexpressiepatronen evalueren die verband houden met de micro-omgeving van de tumor.
Klik om te beginnen op het tabblad database en selecteer het organisme als muis, het orgaan als hersenen en de bron als Zenodo. Blader door de resulterende voorbeelden en selecteer het voorbeeld met het label DSID001557. Klik vervolgens op het geselecteerde monster en bevestig dat de beschrijving 2 miljoen cellen in 100 microliter zoutoplossing NK-cel leest.
Klik op het tabblad kwaliteit om de kwaliteit van het monster te evalueren. Selecteer in het vervolgkeuzemenu voor kwaliteitsmaatregelen opties zoals gedetecteerde genen, aantal gelezen lezen en mito om de respectieve parameterverdelingen over het monstersegment weer te geven. Navigeer nu naar het tabblad Afbeeldingsannotatie om verschillende regio's in het voorbeeldsegment te identificeren.
Beweeg de muisaanwijzer over het voorbeeldsegment om annotaties weer te geven. Bekijk de op rasters gebaseerde annotaties die zijn gegenereerd door een groot taalmodel en die anatomische kenmerken en bijbehorende voorwaarden laten zien. Navigeer vervolgens naar het tabblad clusters om de celtypeclusters in het voorbeeldsegment te bekijken.
Bekijk de tweedimensionale inbedding van de clusters en de bijbehorende kleurgecodeerde weergave over vlekken op de monsterschijf. Navigeer vervolgens naar het tabblad genen om de ruimtelijk variabele genen in het monster te onderzoeken. Klik op enkele van de beste genen in de lijst om ruimtelijke grafieken van hun expressie over de weefselplak te genereren.
Let op de kleurgecodeerde expressiepatronen, die duidelijk verschillende ruimtelijke verdelingen laten zien voor de hoogst scorende genen. Navigeer vervolgens naar het tabblad routes om de activiteit te onderzoeken van genensets die verband houden met gemeenschappelijke biologische routes. Bekijk de lijst met ruimtelijk variabele routes met geschatte route-activiteit op basis van de expressieniveaus van verwante genen.
Klik op enkele van de bovenste paden in de lijst om ruimtelijke grafieken van hun activiteit over de weefselschijf te genereren. Observeer de kleurgecodeerde patronen van padactiviteit in verschillende weefselregio's. Ga nu naar het tabblad Weefselverkenner, waarmee gebruikers vrij interessegebieden kunnen selecteren en genexpressiepatronen tussen hen kunnen vergelijken.
Zorg ervoor dat handmatige selectie is geactiveerd. Selecteer met behulp van de muiscursor de plekken in het hippocampusgebied aan de linkerkant van de hersenplak van de muis. Klik op set één en voeg vervolgens toe aan set om de geselecteerde plekken in het rechterdeelvenster te markeren.
Klik vervolgens op set twee en gebruik de muiscursor om de plekken in het hypothalamische gebied van de hersenschijf te selecteren. Klik op toevoegen om in te stellen om deze geselecteerde plekken aan de rechterkant te markeren. Klik na het voltooien van de spotselectie op de knop genexpressie vergelijken.
Hiermee wordt een tabel gegenereerd met de gemiddelde genexpressiewaarden voor elke geselecteerde regio, samen met een spreidingsdiagram. Beweeg de cursor over afzonderlijke punten in het spreidingsdiagram om de gennamen en de gemiddelde expressiewaarden in beide regio's te bevestigen. Identificeer op basis van de vergelijkingsresultaten differentieel tot expressie gebrachte genen.
Navigeer terug naar het tabblad genen en visualiseer de expressie van deze genen in de weefselschijf. Klik op het tabblad Database en gebruik het filter om het organisme als muis, het orgaan als lever en de aandoening als kanker te selecteren. Selecteer in de resulterende voorbeeldlijst het voorbeeld DSID001005.
Klik op het geselecteerde monster en bevestig dat de beschrijving aangeeft dat het monster afkomstig is van een muizenlever met metastase van colorectale kankeroorsprong. Navigeer vervolgens naar het tabblad Weefselverkenner en activeer de handmatige selectiemodus. Selecteer met behulp van de muiscursor de plekken die overeenkomen met het tumorgebied dat is geïdentificeerd door positieve expressie van de EpCAM-marker in monster DSID001005.
Klik op set één. Selecteer vervolgens toevoegen om in te stellen om de geselecteerde tumorvlekken aan de rechterkant te markeren. Klik nu op set twee en gebruik de cursor om de plekken in het verre niet-tumorgebied van het levermonster te selecteren.
Klik op toevoegen om in te stellen om de geselecteerde niet-tumorvlekken aan de rechterkant van het scherm te markeren. Om verdere analyse van genexpressiegegevens uit te voeren, klikt u op de CSV-optie downloaden, waarbij een bestand met door komma's gescheiden waarden wordt gegenereerd van de genexpressiegegevens voor de twee regio's van het monster. Nadat u de navigatiestappen in de database voor DSID001007 hebt herhaald, bevestigt u dat in de beschrijving staat dat het een ander plakje is van een muizenlever dat metastasen van colorectale kanker bevat.
Controleer vervolgens of er twee CSV-bestanden zijn gegenereerd, één op basis van monsters DSID001005 en één DSID001007, met twee kolommen die de gemiddelde genexpressie in tumor- en niet-tumorregio's vertegenwoordigen. Laad beide CSV-bestanden in de R-programmeeromgeving. Voeg de gegevenssets samen om downstreamanalyse uit te voeren met behulp van twee replicaten per voorwaarde.
Gebruik in R het limma-pakket om differentiële genexpressieanalyse uit te voeren op de samenvoegingsdataset. Wijs de colorectale metastasengebieden van beide monsters toe aan de kankergroep en de verre gezonde regio's aan de controlegroep. Filter de resultaten om opgereguleerde genen te identificeren met een log-vouwverandering van meer dan 0,5 en een aangepaste P-waarde van minder dan 0,05.
Extraheer op dezelfde manier gedownreguleerde genen met een log-vouwverandering van minder dan min 0,5 en een aangepaste P-waarde van minder dan 0,05. Aan de linkerkant van het hersenmonster van de muis werd een duidelijk gebied van lage kwaliteit waargenomen, gekenmerkt door een verminderd aantal gedetecteerde genen en een lager aantal gelezen genen. De steekproef vertoonde een gemiddelde van ongeveer 4.000 gedetecteerde genen per plek, wat goed aansluit bij de verdeling van andere monsters in de database.
15 ruimtelijke clusters werden geïdentificeerd in het hersenmonster van de muis met duidelijke grenzen die anatomische verschillen vertegenwoordigen. De genen NRGN, SLC17A7 en DDN vertoonden een sterke expressie in de hippocampusregio. Daarentegen was LY6H-expressie gelokaliseerd in de corticale gebieden, met name de linker en rechter buitenranden van de plak.
De signaleringsactiviteit van neuropeptiden was aanzienlijk verhoogd in de onderste corticale gebieden van de monsterschijf. Regulatie van synaptische plasticiteit werd geactiveerd in het hele hippocampusgebied, met name in de bovenste middelste zones. De transportactiviteit van neurotransmitters was verhoogd in het midden en rechtsboven van de hippocampus.
Het gen CLDN7, CLDN4 en ACTG1 vertoonden duidelijke opregulatie in het tumorgebied met colorectale metastasen in DSID 001005 levermonster. Daarentegen was de expressie van CLDN7, CLDN4 en ACTG1 opmerkelijk lager in het verre gezonde leverweefsel van monster DSID001007.
Overzicht
Dit artikel beschrijft DeepSpaceDB, een interactieve database die is ontworpen om de toegankelijkheid van ruimtelijke transcriptomie-gegevens te verbeteren. Het biedt analysewerkstromen voor onderzoekers om weefselorganisatie en genexpressie gerelateerd aan verschillende ziekten te onderzoeken.
Belangrijke onderzoekscomponenten
Onderzoeksgebied
- Ruimtelijke transcriptomie
- Studies naar weefselorganisatie
- Analyse van ziektegerelateerde genexpressie
Achtergrond
- De ontwikkeling van ruimtelijke transcriptomieplatforms heeft de studie van genexpressie in weefselsneden bevorderd.
- De hoge kosten en complexiteit van data-analyse kunnen onderzoek belemmeren.
- DeepSpaceDB streeft ernaar de kloof in toegankelijkheid en bruikbaarheid voor biologen te overbruggen.
Gebruikte methoden
- Gebruik van de DeepSpaceDB-database
- Muismodelsystemen voor genexpressieanalyses
- Interactieve visualisatietools voor ruimtelijke analyse
Belangrijkste resultaten
- Gefaciliteerde onderzoeking van ruimtelijke genexpressiepatronen in verschillende weefseltypen.
- Mogelijkheid om differentieel tot expressie gebrachte genen in tumor- en niet-tumorgebieden te identificeren.
- Gereedschappen voor het genereren van hypothesen over ziektemechanismen.
Conclusies
- DeepSpaceDB verbetert de toegankelijkheid van ruimtelijke transcriptomie-gegevens aanzienlijk.
- De database draagt bij aan het bevorderen van biologisch onderzoek door gebruikers in staat te stellen complexe datasets efficiënt te verkennen.
Veelgestelde vragen
Executive Industry Relevance
Spatial transcriptomics is transforming early discovery by enabling high-resolution mapping of gene expression within intact tissue architecture. DeepSpaceDB addresses a critical bottleneck by democratizing access to spatial datasets and analytical workflows, supporting hypothesis generation and mechanistic de-risking in disease-relevant systems. This capability enhances predictive confidence at the target validation and lead identification stages, directly impacting portfolio triage and translational research continuity.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of spatial gene expression patterns in disease and healthy tissue contexts.
- Supports mechanistic de-risking by clarifying cellular heterogeneity and microenvironmental influences.
- Facilitates functional target validation through region-specific differential expression analysis.
- Drives predictive confidence for target selection and prioritization.
Screening & Assay Development
- Provides validated spatial datasets for assay development and benchmarking.
- Enables reproducible identification of spatially variable genes and pathways for downstream screening.
- Supports standardization of region-specific gene expression readouts across samples.
- Prepares robust biological systems for compound evaluation in spatially complex tissues.
Translational & Preclinical Research
- Aligns spatial gene expression signatures with disease-relevant biomarkers for translational continuity.
- Enables comparative analysis of tumor versus non-tumor regions to inform preclinical model selection.
- Supports risk-adjusted advancement decisions by revealing spatial heterogeneity in disease models.
- Facilitates cross-sample and cross-condition analyses for mechanistic insight.
Pipeline & Workflow Integration
DeepSpaceDB integrates into the discovery-to-preclinical continuum by providing accessible, annotated spatial transcriptomics datasets and analytical tools for hypothesis testing and comparative analysis.
- Discovery Biology: Empowers teams to test spatial hypotheses and clarify tissue-specific gene regulation.
- Screening: Delivers reproducible, quantitative spatial gene expression outputs for assay readiness.
- Analytics: Offers statistical outputs, including differential expression and pathway activity, for robust condition comparison.
- Translational Research: Connects spatial gene expression data to disease models and biomarker strategies.
- Enterprise Reuse: Establishes a reusable platform for spatial data mining across multiple projects and disease areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in tissue-based studies.
- Operational Value: Standardizes spatial data analysis and enhances reproducibility across teams.
- Strategic Value: Informs go/no-go decisions and improves capital allocation by clarifying spatial biology risks.
- Portfolio Impact: Enables risk-adjusted prioritization and supports advancement of high-confidence targets.
Implementation Considerations
- Requires expertise in spatial transcriptomics data interpretation and statistical analysis.
- Needs computational infrastructure for data visualization and downstream analytics.
- Demands cross-team standardization of region selection and quality control metrics.
- Adaptation may be needed for different tissue types and disease models.
- Dependent on quality and annotation depth of publicly available spatial datasets.
