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

De auteurs danken de ontwikkelaars en beheerders van de Seurat-, Giotto- en SPOTlight-pakketten voor hun ondersteuning en documentatie. Ook de bijdragen van openbare datadepots en de onderzoekers die hun datasets genereus hebben gedeeld, worden dankbaar erkend.

<ol>
	<li>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.</li>
	<li>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.</li>
	<li>Danishuddin, Khan S, Kim JJ. Spatial transcriptomics data and analytical methods: An updated perspective. Drug Discovery Today. 2024;29(3):103889.</li>
	<li>Xu Z, Wang W, Yang T, et al. STOmicsDB: A comprehensive database for spatial transcriptomics data sharing, analysis and visualization. Accessed October 31, 2025. https://dx.doi.org/10.1093/nar/gkad933</li>
	<li>Wang G, Wu S, Xiong Z, Qu H, Fang X, Bao Y. CROST: A comprehensive repository of spatial transcriptomics. Nucleic Acids Res. 2024;52(D1):D882-D890.</li>
	<li>Chen JG, Ch&#225;vez-Fuentes JC, O&#8217;Brien M, et al. Giotto Suite: a multiscale and technology-agnostic spatial multiomics analysis ecosystem. Nat Methods. 2025;22(10):2052-2064. doi:10.1038/s41592-025-02817-w</li>
	<li>Butler A, Hoffman P, Smibert P, Papalexi E, Satija R. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol. 2018;36(5):411-420.</li>
	<li>Elosua-Bayes M, Nieto P, Mereu E, Gut I, Heyn H. SPOTlight: seeded NMF regression to deconvolute spatial transcriptomics spots with single-cell transcriptomes. Nucleic Acids Res. 2021;49(9):e50-e50.</li>
	<li>McCarthy DJ, Campbell KR, Lun ATL, Wills QF. Scater: pre-processing, quality control, normalization and visualization of single-cell RNA-seq data in R. Bioinformatics. 2017;33(8):1179-1186.</li>
	<li>Lun ATL, McCarthy DJ, Marioni JC. A step-by-step workflow for low-level analysis of single-cell RNA-seq data with bioconductor. F1000Research. Preprint posted online October 31, 2016. doi:10.12688/f1000research.9501.2</li>
	<li>Miller BF, Huang F, Atta L, Sahoo A, Fan J. Reference-free cell type deconvolution of multi-cellular pixel-resolution spatially resolved transcriptomics data. Nat Commun. 2022;13(1):2339.</li>
	<li>Palla G, Spitzer H, Klein M, et al. Squidpy: A scalable framework for spatial omics analysis. Nat Methods. 2022;19(2):171-178.</li>
	<li>Luecken MD, B&#252;ttner M, Chaichoompu K, et al. Benchmarking atlas-level data integration in single-cell genomics. Nat Methods. 2022;19(1):41-50.</li>
	<li>Hafemeister C, Satija R. Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression. Genome Biol. 2019 Dec 23;20(1):296.</li>
	<li>Cuevas-Diaz Duran R, Wei H, Wu J. Data normalization for addressing the challenges in the analysis of single-cell transcriptomic datasets. BMC Genomics. 2024;25(1):444.</li>
	<li>Sun S, Zhu J, Zhou X. Statistical analysis of spatial expression patterns for spatially resolved transcriptomic studies. Nat Methods. 2020;17(2):193-200.</li>
	<li>Jin S, Plikus MV, Nie Q. CellChat for systematic analysis of cell&#8211;cell communication from single-cell transcriptomics. Nat Protoc. 2025;20(1):180-219.</li>
	<li>Zohora FT, Paliwal D, Flores-Figueroa E, et al. CellNEST reveals cell&#8211;cell relay networks using attention mechanisms on spatial transcriptomics. Nat Methods. 2025;22(7):1505-1519.</li>
	<li>Wang Q, Zhu H, Deng L, et al. Spatial transcriptomics: Biotechnologies, computational tools, and neuroscience applications. Small Methods. 2025;9(5):2401107.</li>
	<li>Chen MM, Gao Q, Ning H, et al. Integrated single-cell and spatial transcriptomics uncover distinct cellular subtypes involved in neural invasion in pancreatic cancer. Cancer Cell. 2025;43(9):1656-1676.e10.</li>
	<li>Li H, Guan W, Huang J, et al. A complete model of mouse embryogenesis through organogenesis enabled by chemically induced embryo founder cells. Cell. 2025;188(21):5912-5930.e20.</li>
	<li>Loh JW, Lee JY, Lim AH, et al. Spatial transcriptomics reveal topological immune landscapes of asian head and neck angiosarcoma. Commun Biol. 2023;6(1):461. </li>
</ol>

De auteurs verklaren dat er geen concurrerende financiële belangen zijn.

Dit protocol biedt een uitgebreide computationele workflow voor de analyse van ruimtelijke transcriptomica-gegevens die een balans biedt tussen analytische diepgang en praktische toegankelijkheid. De stapsgewijze aanpak begeleidt onderzoekers door de volledige analytische pijplijn, van de initiële gegevensverwerving tot geavanceerde ruimtelijke analyses, waarbij de nadruk ligt op kritieke beslismomenten en potentiële valkuilen.
Verschillende stappen in het protocol verdienen bijzondere aandacht vanwege hun impact op de vervolganalyses. De drempelwaarden voor kwaliteitscontrole en filtering moeten zorgvuldig worden afgestemd op specifieke weefseltypes en technologieplatforms, aangezien te strikte filtering biologisch relevante spots kan verwijderen, terwijl te lakse drempelwaarden technische ruis kunnen introduceren. De keuze van de normalisatiemethode beïnvloedt de resultaten van de clustering en differentiële expressie aanzienlijk. Zo maakt de pipeline gebruik van SCTransform in plaats van standaard log-normalisatie, omdat is gerapporteerd dat SCTransform technische variatie gerelateerd aan sequencing-diepte en andere technische effecten in single-cell en ruimtelijke workflows beter modelleert en reduceert14,15. Tijdens de integratie vereist de selectie van integratiekenmerken en resolutieparameters een zorgvuldige afweging om de integratiesterkte in balans te brengen met het behoud van het biologische signaal. Voor het identificeren van ruimtelijk variabele genen is Moran's I gekozen vanwege de computationele schaalbaarheid en geschiktheid voor ruimtelijke autocorrelatieanalyse in array-gebaseerde data, hoewel alternatieve methoden zoals SPARK overwogen kunnen worden, afhankelijk van de omvang van de dataset en de doelstellingen van het onderzoek16.
Het onderdeel voor probleemoplossing van deze workflow richt zich op veelvoorkomende interoperabiliteitsproblemen die optreden bij het doorgeven van resultaten van het ene pakket naar het volgende. In plaats van te vertrouwen op één enkele generieke conversiestap, maakt de workflow gebruik van aangepaste formaatconversies bij elke software-interface: ruimtelijke telgegevens worden gekopieerd naar een standaard RNA-assay-slot vóór de Seurat-integratie; Seurat- en single-cell referentie-objecten worden omgezet in SingleCellExperiment-objecten voor SPOTlight; ruimtelijke telmatrices worden geherformateerd voor STdeconvolve; Seurat-afgeleide tellingen, coördinaten en celtype-metadata worden omgezet in een Giotto-object voor analyse van cel-celcommunicatie; en ROI-annotaties van Select Spatial Spots worden geëxporteerd als CSV-bestanden met CELL_ID, X/Y-coördinaten en groeplabels, zodat ze kunnen worden teruggekoppeld naar het Seurat-object. Deze stappen helpen gebruikers bij het identificeren en corrigeren van veelvoorkomende problemen, zoals incompatibele assay-slots, niet overeenstemmende spot-identificatoren, ontbrekende metadatacolommen, incorrecte coördinaatnotatie en mismatches in gen-symbolen voor ligand-receptorinteracties.
Een aanvullend kenmerk van deze workflow is het gebruik van twee complementaire deconvolutie-strategieën in plaats van de afhankelijkheid van één enkel algoritme. SPOTlight maakt gebruik van eerdere scRNA-seq referenties voor referentiegestuurde schatting van celtype-proporties, terwijl STdeconvolve referentievrije ontdekking van latente transcriptionele topics mogelijk maakt. In de demonstratieset kwamen STdeconvolve-topics overeen met histologisch gedefinieerde regio's (Figuur 5B), wat de biologische interpreteerbaarheid ondersteunt. Een directe kwantitatieve vergelijking tussen de twee methoden is in dit protocol niet uitgevoerd; gebruikers die deze op hun eigen data willen benchmarken, kunnen het kader volgen dat is beschreven in protocolstap 7.3.2. Bovendien ondersteunt het protocol de bruikbaarheid en traceerbaarheid door scripts te gebruiken voor kernfuncties, terwijl er een grafische interface (Select Spatial Spots) wordt aangeboden voor intuïtieve ROI-isolatie.
Door Seurat en Giotto te koppelen, kan de workflow Seurat-gebaseerde pre-processing en integratie combineren met Giotto-gebaseerde ruimtelijke statistiek en netwerkanalyse. Seurat biedt een gevestigde omgeving voor onderzoekers met ervaring in scRNA-seq en ondersteunt integratie van meerdere monsters, terwijl het overdragen van de geharmoniseerde gegevens naar Giotto de constructie van ruimtelijke netwerken en ligand-receptoranalyse mogelijk maakt. Dit ontwerp stelt gebruikers in staat om de gedocumenteerde sterke punten van beide platforms te benutten, zonder te impliceren dat ze hier zijn gebenchmarkt ten opzichte van Squidpy of andere frameworks. Voor cel-celcommunicatie is de op Delaunay-netwerken gebaseerde ligand-receptorinferentie van Giotto gebruikt, omdat deze ruimtelijke nabijheid integreert binnen dezelfde analyseomgeving; frameworks zoals CellChat bieden uitgebreide signaleringsdatabases, maar worden in dit protocol niet geëvalueerd17.
Er moet rekening worden gehouden met enkele beperkingen. De referentiegebaseerde deconvolutiebenadering is kritisch afhankelijk van de beschikbaarheid van hoogwaardige, overeenkomstige single-cell referenties. Bovendien rusten de fundamentele aannames achter de analyse van cel-celcommunicatie op transcript-co-expressie als proxy voor fysieke eiwitinteractie, wat een daaropvolgende experimentele validatie vereist. Ten slotte is deze workflow primair ontwikkeld voor standaard Visium-datasets. Naarmate het vakgebied vordert richting technologieën met een resolutie die dicht bij single-cell ligt, zoals Visium HD, zullen de analytische overwegingen verschuiven; data met een hogere resolutie kunnen andere parameters voor voorbewerking vereisen en de absolute noodzaak voor spot-deconvolutie verminderen. Om deze workflow aan te passen voor Visium HD-datasets kunnen de bins met hoge resolutie computationeel worden samengevoegd tot grotere ruimtelijke bins, of kunnen spot-deconvolutiemodules worden overgeslagen ten gunste van beeldgebaseerde celsegmentatie18.
Deze kenmerken suggereren een potentiële toepasbaarheid over diverse biologische domeinen, waaronder ontwikkelingsbiologie, neurowetenschappen, kankeronderzoek en immunologie19,20,21,22. Het modulaire ontwerp stelt onderzoekers in staat om specifieke componenten aan te passen aan hun behoeften, of de focus nu ligt op de identificatie van ruimtelijke domeinen, cellulaire communicatie of regionale specialisatie. Naarmate ruimtelijke technologieën zich blijven ontwikkelen en datasets uitbreiden, biedt dit protocol een basis die kan worden uitgebreid om nieuwe analytische methoden te integreren en opkomende biologische vragen te beantwoorden.

Ruimtelijke transcriptomica (ST) is een transformatieve familie van technologieën die genoombrede genexpressie meet terwijl de ruimtelijke coördinaten van messenger RNA (mRNA)-moleculen binnen weefselcoupes behouden blijven. ST-methoden omvatten op sequencing gebaseerde benaderingen die gebruikmaken van arrays met positie-barcodes en in situ imaging-benaderingen die transcriptionele signalen in kaart brengen binnen intacte weefselmicro-omgevingen1,2. Door de ruimtelijke context te behouden, maakt ST de analyse mogelijk van weefselarchitectuur, de organisatie van cellulaire nabuurschappen, cel-celcommunicatie en biologische processen geassocieerd met de micro-omgeving die niet volledig kunnen worden ontrafeld na weefseldissociatie3.
De snelle groei van openbare ST-datarepositoria heeft ongekende mogelijkheden gecreëerd voor secundaire analyse en methodeontwikkeling3. Bronnen zoals de CROST-database cureren honderden ruimtelijk opgeloste transcriptomische datasets over meerdere soorten en technologieplatforms, terwijl gespecialiseerde collecties zoals STOmicsDB zich richten op specifieke methodologieën zoals Stereo-seq4,5. Ondanks deze overvloed aan gegevens blijft computationele analyse uitdagend vanwege de complexiteit van ruimtelijke datastructuren, de diversiteit aan analytische tools en technische belemmeringen bij het implementeren van reproduceerbare workflows6,7,8,9,10,11.
Om de beperkingen van het vertrouwen op een enkele softwareomgeving aan te pakken, wordt hier een geïntegreerde computationele workflow gepresenteerd die gebruikmaakt van complementaire analytische tools. Bestaande uitgebreide ST-analyse-ecosystemen omvatten voornamelijk Seurat, Giotto en Python-gebaseerde frameworks zoals Squidpy6,7,12. Hoewel Python-gebaseerde tools zoals Squidpy uitgebreide functionaliteiten bieden voor ruimtelijke graafanalyse, minimaliseert het consolideren van de primaire computationele pipeline binnen één programmeertaalomgeving de technische hindernissen tussen verschillende talen. Bijgevolg is de kernpipeline hoofdzakelijk in R geïmplementeerd om deze cross-language technische hindernissen te verminderen. Binnen deze R-gebaseerde workflow wordt Seurat gebruikt voor het laden van gegevens, kwaliteitscontrole, normalisatie, dimensionaliteitsreductie, visualisatie en multi-sample integratie, wat het veelvoorkomende gebruik ervan in workflows voor single-cell en ruimtelijke transcriptomica weerspiegelt. Vervolgens wordt Giotto gebruikt voor de constructie van ruimtelijke netwerken en ligand-receptor-gebaseerde cel-cel communicatieanalyse. Deze pipeline koppelt dus Seurat-gebaseerde pre-processing en integratie aan Giotto-gebaseerde ruimtelijke analyse, terwijl de gegevensoverdracht tussen de twee toolsets expliciet en reproduceerbaar blijft.
Binnen dit kader worden twee complementaire deconvolutiestrategieën geïmplementeerd: SPOTlight, een referentiegestuurde methode die scRNA-seq-gegevens gebruikt om celtypeproporties te schatten, en STdeconvolve, een ongesuperviseerde topic-modeling-methode die latente transcriptionele patronen identificeert8,11. De resultaten bieden complementaire inzichten in de ruimtelijke cellulaire heterogeniteit, maar worden niet beschouwd als een kwantitatieve kruisvalidatie, tenzij gebruikers de optionele concordantieanalyse uitvoeren die in het protocol wordt beschreven. Een aangepaste Python Dash-applicatie, Select Spatial Spots, is geïntegreerd voor interactieve annotatie van regio's van belang (ROI) en exporteert standaard coördinaatgebaseerde annotatiebestanden die kunnen worden gebruikt in daaropvolgende downstream-analyses.
Wat betreft de praktische toepasbaarheid is deze workflow primair bedoeld voor standaard array-gebaseerde ST-gegevens (bijv. Visium met een resolutie van 55 µm) en kan deze na evaluatie van de parameters mogelijk worden aangepast aan andere weefseltypen. Belangrijke beperkingen moeten vóór de analyse in overweging worden genomen. Ten eerste is de referentie-gestuurde deconvolutie-module afhankelijk van een hoogwaardige, weefselspecifieke scRNA-seq-referentie. Ten tweede kunnen subcellulaire of near-single-cell platforms aangepaste voorbewerking, ruimtelijke bin-aggregatie of beeldgebaseerde celsegmentatie vereisen vóór integratie2. De representatieve dataset van de muiscolon wordt gebruikt als demonstratiegeval om te laten zien hoe de workflow ruimtelijke domeinen en marker-gedefinieerde weefselorganisatie kan evalueren, en niet als bewijs voor universele platformcompatibiliteit.

<table><tbody><tr><td>ggplot2</td><td>Posit Software, PBC</td><td>v4.0.0(CRAN)</td><td>Geavanceerde datavisualisatie</td></tr><tr><td>Giotto</td><td>Dries Lab</td><td>v4.2.2 (GitHub)</td><td>Analyse van ruimtelijke netwerken en cel-cel communicatie</td></tr><tr><td>patchwork&amp;nbsp;</td><td>Thomas Lin Pedersen</td><td>v1.3.2 (CRAN)</td><td>Compositie en ordening van plots</td></tr><tr><td>R software&amp;nbsp;</td><td>R Foundation for Statistical Computing</td><td>v4.4.3</td><td>Kernuitvoeringsomgeving (macOS aarch64)</td></tr><tr><td>scater</td><td>Davis McCarthy et al.</td><td>v1.34.1 (Bioconductor)</td><td>Kwaliteitscontrole en visualisatie van single-cell data</td></tr><tr><td>scran</td><td>Aaron Lun et al.</td><td>v1.34.0 (Bioconductor)</td><td>Single-cell variantiemodellering en markerdetectie</td></tr><tr><td>Select Spatial Spots (Aangepaste Python-tool)</td><td>LeafLight</td><td>v1.0.0 (GitHub)</td><td>Interactieve selectie van ruimtelijke regio's van belang (ROI) (https://github.com/LeafLight/SelectSpatialSpots)</td></tr><tr><td>Seurat&amp;nbsp;</td><td>Satija Lab</td><td>v5.3.0 (CRAN)</td><td>Preprocessing, integratie en clustering van ruimtelijke data</td></tr><tr><td>SeuratObject&amp;nbsp;</td><td>Satija Lab</td><td>v5.2.0 (CRAN)</td><td>Datastructuren voor single-cell en ruimtelijke data</td></tr><tr><td>SingleCellExperiment</td><td>Bioconductor Core Team</td><td>v1.28.1 (Bioconductor)</td><td>Gestandaardiseerde datacontainer voor scRNA-seq</td></tr><tr><td>SPOTlight</td><td>Marc Elosua-Bayes et al.</td><td>v1.10.0 (Bioconductor)</td><td>Referentie-gestuurde ruimtelijke deconvolutie</td></tr><tr><td>Stdeconvolve</td><td>Jean Fan Lab</td><td>v1.3.2 (Bioconductor)</td><td>Ongecontroleerde latente topic-modellering</td></tr><tr><td>tidyverse</td><td>Posit Software, PBC</td><td>v2.0.0 (CRAN)</td><td>Kernsuite voor datamanipulatie en opmaak</td></tr></tbody></table>

een praktische workflow voor de analyse van ruimtelijke transcriptomics-gegevens: van gegevensverwerving tot geavanceerde analyses

A Practical Workflow for Spatial Transcriptomics Data Analysis: From Data Acquisition to Advanced Analyses

Ruimtelijke transcriptomics (ST) brengt genexpressie op genoombrede schaal in kaart terwijl de tweedimensionale ruimtelijke context van mRNA-moleculen binnen weefselcoupes behouden blijft, wat studies naar weefselarchitectuur en biologie geassocieerd met de micro-omgeving mogelijk maakt. De analyse van ST blijft echter uitdagend omdat data-import, kwaliteitscontrole, integratie, deconvolutie, ruimtelijke statistiek en visualisatie vaak meerdere softwareomgevingen en reproduceerbare parameterkeuzes vereisen. Dit protocol presenteert een praktische computationele workflow in R voor openbare ST-datasets, beginnend bij data-acquisitie en software-installatie, gevolgd door data-laden via Seurat, kwaliteitscontrole, normalisatie, integratie van meerdere monsters, clustering en analyse van ruimtelijk variabele genen. Vervolgens past de workflow complementaire deconvolutiestrategieën toe, waaronder referentie-gestuurde SPOTlight-analyse en ongesuperviseerde STdeconvolve topic-modellering, gevolgd door een Giotto-gebaseerde analyse van ruimtelijke cel-celcommunicatie en interactieve selectie van regio's van interesse (ROI) met behulp van een aangepaste Python Dash-applicatie. Door de nadruk te leggen op script-gebaseerde uitvoering, expliciete onderbouwing van parameters, verwachte resultaten en controlepunten voor probleemoplossing, biedt het protocol een aanpasbaar kader voor standaard array-gebaseerde ST-datasets en gerelateerde platforms na evaluatie van dataset- en platformspecifieke parameters.

De implementatie van de workflow en data-integratie illustreren belangrijke weefselkenmerken
De computationele workflow werd toegepast op ruimtelijke transcriptomics-gegevens van de muizencolon om de verwachte resultaten in de verschillende analytische fasen te illustreren. Zoals weergegeven in het schema van de workflow (Figuur 1), begon de pijplijn met gegevensverwerving en kwaliteitscontrole, waarbij ruimtelijke kenmerkplots de weefselgrenzen afbakenden (Figuur 2A,B). Vervolgens werd de anchor-gebaseerde integratieworkflow van Seurat gebruikt om technische batch-effecten te verminderen terwijl interpreteerbare biologische variatie behouden bleef. UMAP-visualisaties toonden de uitlijning van monsters en ruimtelijke clusteringpatronen na integratie (Figuur 2C,D). De kwantitatieve, dynamische selectie van hoofdcomponenten (PCs) op basis van cumulatieve variantie werd geïmplementeerd om de dimensionale reductie en daaropvolgende clustering te sturen (zie Aanvullende Figuur 1). Analyse van markergen-heatmaps toonde verschillende transcriptionele profielen aan die ten grondslag liggen aan de ruimtelijke clusters (Figuur 2E).
Om te beoordelen of de computationele clusters consistent waren met de bekende anatomische architectuur van de colonhistologie, werden de expressieprofielen van canonieke laagspecifieke markergenen geëvalueerd. De mucosale epitheellaag vertoonde expressie van epitheliale celmarkers, waaronder Epcam en Krt8, samen met de bekercelmarker Muc2. Mesenchymale en stromale markers zoals Col1a1 en Vim markeerden de lamina propria en submucosale regio's, terwijl de buitenste muscularis propria-laag werd aangewezen door gladspierstructurele genen zoals Acta2 en Tagln. De ruimtelijke beperking van deze lineage-geassocieerde markers ondersteunt de interpretatie dat de integratie- en clusteringworkflow de belangrijkste histologische laminaties van het colonweefsel langs de mucosale-tot-muscularis-as heeft behouden (zie Supplementary Figure 2).
Na de validatie van de clusters werd een downstream differentiële expressieanalyse uitgevoerd om differentiëel tot expressie gebrachte genen (DEGs) tussen experimentele condities te identificeren (Figuur 2F,G). Daarnaast werden ruimtelijk variabele genen geïdentificeerd met behulp van de I-statistiek van Moran, waarbij genen met een significante niet-willekeurige ruimtelijke distributie over het weefsel werden gemarkeerd (Figuur 2H).
Cellulaire deconvolutie en ruimtelijke interactienetwerken onthullen weefselmicroorganisatie
De verwerking van de single-cell RNA-seq referentiedata leverde annotaties op die werden ondersteund door QC-filtering (Figuur 3A), unsupervised clustering (Figuur 3B), validatie van markergenen (Figuur 3C) en concordantie met onafhankelijke annotaties (Figuur 3D). De cellulaire samenstelling (Figuur 3E) vormde de basis voor de downsampling-strategie voor deconvolution. SPOTlight schatte de referentiegestuurde celtype-proporties over de spatiale spots (Figuur 4A,B), terwijl STdeconvolve een unsupervised topic-modeling overzicht gaf van spatiale cellulaire patronen (Figuur 5B). De aangepaste Select Spatial Spots-tool bood histologische context voor deze patronen (Figuur 5A). Ten slotte identificeerde een spatiale communicatieanalyse, gebruikmakend van de gedeconvolueerde celtype-toewijzingen, ligand-receptorinteracties tussen spatieel proximale celtypegroepen (Figuur 6A,B).
Probleemoplossing op basis van observaties uit protocoloptimalisatie
Tijdens de optimalisatie van het protocol werden verschillende problemen geïdentificeerd die dienden als praktische controlepunten. Suboptimale deconvolutieresultaten traden op wanneer single-cell referenties slecht aansloten bij de weefselcontext, wat aangeeft dat er gebruik moet worden gemaakt van weefsel- en soortspecifieke scRNA-seq data indien beschikbaar. Aanvankelijke clusteringpogingen met standaardparameters konden niet altijd de verwachte biologische structuren onderscheiden; het inspecteren van de PC-selectie, de clusteringresolutie en de coherentie van markergenen hielp bij het identificeren van ruimtelijk interpreteerbare domeinen die overeenkwamen met de weefselanatomie. Deze observaties bieden praktische voorbeelden van hoe gebruikers veelvoorkomende analytische problemen kunnen diagnosticeren tijdens het uitvoeren van de workflow.
<img alt="stroomdiagram van de scRNA-seq data-analyse workflow. Processen: normalisatie, integratie, clustering." class="xfigimg" src="/files/ftp_upload/70188/70188fig1.jpg" data-altupdatedat="1788235205000" data-alt="Figuur 1"> 
Figuur 1Workflow voor geïntegreerde analyse van ruimtelijke transcriptomica. Schematische weergave van de analytische pijplijn, van data-acquisitie en voorbewerking tot geavanceerde ruimtelijke analyses. De belangrijkste stappen omvatten: (1) Gegevensladen, kwaliteitscontrole en multi-sample integratie met behulp van Seurat; (2) Ruimtelijke clustering en detectie van ruimtelijk variabele genen; (3) Celtype-deconvolutie via referentiegebaseerde (SPOTlight) en ongesuperviseerde (STdeconvolve) methoden; (4) ruimtelijke cel-cel-communicatieanalyse met Giotto en interactieve selectie van regio's van interesse met behulp van een aangepast hulpmiddel, Selecteer ruimtelijke spotsResultaten van alle modules worden gesynthetiseerd om biologische inzichten te verkrijgen in de weefselarchitectuur en de cellulaire micro-omgeving. <a href="https://www.jove.com/files/ftp_upload/70188/70188fig1large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="Ruimtelijke transcriptomanalyse met vioolplots, t-SNE-clustering, volcano-plots en heatmap-gegevens." class="xfigimg" src="/files/ftp_upload/70188/70188fig2.jpg" data-altupdatedat="1788235205000" data-alt="Figuur 2"> 
Figuur 2Data-integratie, clustering en differentiële expressieanalyse. (A,B) Kwaliteitscontrolemetriek voor ruimtelijke monsters A1 en B1, met de distributies van genaantallen, UMI-aantallen en percentages mitochondriale genen. (C) UMAP-visualisatie van geïntegreerde ruimtelijke transcriptomica-gegevens, ingekleurd naar herkomst van het monster (links) en clusteringidentiteit (rechts). (D) Ruimtelijke projectie van clusteridentiteiten op weefselcoupes. (E) Heatmap van de belangrijkste markergenen voor elke ruimtelijke cluster. (F) Volcano-plot waarop de differentieel tot expressie gebrachte genen tussen condities A1_colon_d0 en B1_colon_d14 worden weergegeven. (G) Ruimtelijke expressiepatronen van representatieve differentieel tot expressie gebrachte genen in weefselcoupes. (H) Ruimtelijke expressiekaarten van de geïdentificeerde meest ruimtelijk variabele genen via Moran's I-statistiek, waarbij de linker twee panelen genen van monster A1_colon_d0 tonen en de rechter twee panelen genen van monster B1_colon_d14 tonen. <a href="https://www.jove.com/files/ftp_upload/70188/70188fig2large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="scRNA-seq-analyse: vioolplots, UMAP-clusters, celtype-scores en staafdiagramverdeling." class="xfigimg" src="/files/ftp_upload/70188/70188fig3.jpg" data-altupdatedat="1788235205000" data-alt="Figuur 3"> 
Figuur 3Verwerking en annotatie van referentiedata op enkelcelniveau. (A) Kwaliteitscontrolemetrieken voor scRNA-seq referentiedata vóór en na filtering. (B) UMAP-visualisatie van scRNA-seq-gegevens, gekleurd op basis van ongesuperviseerde clusters. (C) Dotplot die de expressiescores van canonieke celtype-markergenen over de clusters weergeeft. (D) Geannoteerde UMAP-visualisatie van scRNA-seq-gegevens met labels voor de belangrijkste celtypen. (E) Cellulaire samenstelling van de scRNA-seq referentiedataset. De rode stippellijn geeft de drempelwaarde voor downsampling aan (n = 50 cellen per type), die tijdens de SPOTlight-deconvolutie is toegepast om de computationele efficiëntie en de representatie van celtypen in evenwicht te brengen. <a href="https://www.jove.com/files/ftp_upload/70188/70188fig3large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="Celtypeverdeling, microscopiebeelden; analyse van B-cellen, endotheelcellen en fibroblasten in weefsels." class="xfigimg" src="/files/ftp_upload/70188/70188fig4.jpg" data-altupdatedat="1788235205000" data-alt="Figuur 4"> 
Figuur 4Ruimtelijke deconvolutie van cellulaire heterogeniteit. (A,BSpatiale scatterpie-plots van SPOTlight-deconvolutie die de proportionele samenstelling van de belangrijkste celtypen per spot laten zien voor monsters A1 (A) en B1 (B). (C) Representatieve ruimtelijke distributie van B-cellen in monsters A1 (links) en B1 (rechts), waarbij de ruimtelijk opgeloste lokalisatiepatronen van een specifieke immuuncelpopulatie worden aangetoond die via deconvolutie is geïdentificeerd. <a href="https://www.jove.com/files/ftp_upload/70188/70188fig4large.jpg" target="_blank">Klik hier om een grotere versie van deze afbeelding te bekijken.</a>
<img alt="Ruimtelijke genexpressieanalyse, diagram dat celtypen en pixelgroepen in een weefselcoupe laat zien." class="xfigimg" src="/files/ftp_upload/70188/70188fig5.jpg" data-altupdatedat="1788235205000" data-alt="Figuur 5"> 
Figuur 5Interactieve analyse van regio's van belang en vergelijking van ongesuperviseerde deconvolutie. (A) Interface van de aangepaste tool "Select Spatial Spots" waarop de interactieve selectie van regio's te zien is die overeenkomen met de proximale colon, distale colon en andere weefseldomeinen. (B) Ruimtelijke scatterpie-visualisatie van de resultaten van ongesuperviseerde deconvolutie (STdeconvolve) voor monster A1, waarbij spots zijn gekleurd volgens de handmatig geannoteerde regio's uit (A), waarbij de overeenkomst tussen de op histologie gebaseerde annotatie en de computationeel afgeleide celonderwerpdistributies wordt geïllustreerd. <a href="https://www.jove.com/files/ftp_upload/70188/70188fig5large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
<img alt="Schema van cel-celcommunicatie met ligand-receptorinteracties en log2fc-waarden; bubbeldiagram." class="xfigimg" src="/files/ftp_upload/70188/70188fig6.jpg" data-altupdatedat="1788235205000" data-alt="Figuur 6"> 
Figuur 6Spatieel geïnformeerde cel-celcommunicatienetwerken. (A,B) Ligand-receptor-interactienetwerken afgeleid door Giotto voor monsters A1 (A) en B1 (B). Knopen representeren celtypen, randen representeren significante ligand-receptorparen (FDR &lt; 0,05), en de lijndikte van de randen correspondeert met de interactiesterkte. Om vergelijkbaarheid en visuele helderheid te waarborgen, is een uniforme significantiedrempel (FDR &lt; (0,05) werd op alle monsters toegepast, en de top 20 interacties gerangschikt op log2FC worden voor elke conditie weergegeven. De netwerken benadrukken celtype-specifieke communicatiepatronen binnen de ruimtelijke context van colonweefsel. <a href="https://www.jove.com/files/ftp_upload/70188/70188fig6large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
Aanvullende figuur 1: Kwantitatieve evaluatie van parameteroptimalisatie voor dimensiereductie.De elbow-plot demonstreert de programmatische aanpak van de workflow voor het dynamisch selecteren van het optimale aantal hoofdcomponenten (PCs). De selectie wordt berekend op basis van cumulatieve standaarddeviatie en drempelwaarden voor marginale variantie, weergegeven door de rode verticale lijn, om biologische variantie vast te leggen en tegelijkertijd technische ruis te beperken voorafgaand aan de daaropvolgende clustering.<a href="https://www.jove.com/files/ftp_upload/70188/FigureS1.tif" target="_blank">Klik hier om dit bestand te downloaden.</a>
Aanvullende figuur 2: Validatie van ruimtelijke clustering met behulp van canonieke markers specifiek voor de colonlagen. (A) Dotplot die de verrijkte expressie van epitheliale, stromale en gladspier markers over computationele clusters weergeeft. (B) Ruimtelijke kenmerkplots die representatieve markers (Epcam, Col1a1, Acta2) terugkoppelen naar de weefselcoördinaten.<a href="https://www.jove.com/files/ftp_upload/70188/FigureS2.tif" target="_blank">Klik hier om dit bestand te downloaden.</a>

Dit protocol presenteert een reproduceerbare workflow voor het analyseren van ruimtelijke transcriptomics-gegevens en begeleidt gebruikers bij de acquisitie van openbare gegevens en Seurat-gebaseerde kwaliteitscontrole, gevolgd door integratie, detectie van ruimtelijke kenmerken, deconvolutie van celtypen, annotatie van regio's van belang en analyse van cel-celcommunicatie, inclusief praktische controlepunten die een transparante uitvoering ondersteunen.

Een praktische workflow voor de analyse van ruimtelijke transcriptomics-gegevens: van gegevensverwerving tot geavanceerde analyses

Ruimtelijke transcriptomica (ST) brengt de genoombrede genexpressie in kaart terwijl de tweedimensionale ruimtelijke context van mRNA-moleculen binnen het weefsel behouden blijft ...

Hallo allemaal. In deze video lopen we door een praktische pijplijn voor de analyse van ruimtelijke transcriptomics-gegevens, van gegevensverwerving en -laden tot basisexploratie en tot slot geavanceerde analyse. In totaal bestaat de workflow uit drie hoofstappen.Ten eerste het downloaden van de gegevens, ten tweede het verkrijgen van de analysecode en ten derde het uitvoeren van de pijplijn om resultaten te genereren. Stap één: gegevensverwerving en de voorbereiding van de mappenstructuur. Verkrijg eerst publieke ruimtelijke transcriptomische datasets.Download het archief met de ruwe gegevens. Pak het archief uit. Organiseer de bestanden in een gestandaardiseerde mappenstructuur.Maak eerst een hoofdfilmap voor de gegevens aan en maak vervolgens voor elk monster een specifieke submap. Verplaats de volgende essentiële bestanden voor elk monster naar de respectievelijke submap. Maak daarna binnen elke monsterdirectory een ruimtelijke submap aan.Plaats de volgende bestanden in de ruimtelijke submap. Plaats het bestand 'filtered feature PC metrics S1' in de hoofdsubmap van het monster. Decomprimeer de gzip-bestanden in de ruimtelijke map.Zorg ervoor dat de oorspronkelijke bestandsnamen exact zo blijven als vereist door de load 10X spatial-functie. Stap twee, het instellen van de softwareomgeving. Hier slaan we de installatie van de R-taal over en begint de gegevensverwerking met het verkrijgen van het analysescript uit de GitHub-repository.Installeer de vereiste R-pakketten van Graham in de file conductor door het script setup R uit te voeren. Installeer de auto suit door de installatiecommando's uit te voeren die in het officiële documentblad worden vermeld. Ga naar de officiële installatie-URL om de setup-scripts op te halen. Initialiseer de vereiste Python-omgeving en systemafhankelijkheden volgens de instructies op de setup-pagina.Verkrijg de aangepaste tool door naar de GitHub-repository te gaan en download de broncode. Ga naar de TOS-directory en installeer de Python-afhankelijkheden. Stap drie: het laden van ruimtelijke gegevens en de kwaliteitscontrole.Lees de ruimtelijke gegevens in een Seurat-object. Gebruik read 10X image om handmatig de weefselafbeelding met hoge resolutie te laden. Specificeer hierbij de afbeelding en de naam van de afbeelding.Gebruik de functie load 10X spatial met de image-parameter ingesteld op het image-object dat in de vorige stap is gemaakt en creëer het Seurat-object. Bereken de kwaliteitscontrolemetrieken. Bereken het percentage mitochondriale reads met de functie percentage feature met het patroon mt.Visualiseer en interpreteer de gegevens op basis van QC-metrieken. Genereer violin plots van nCount_Spatial, nFeature_Spatial en percent.mt met behulp van de violin plot-functie.Maak ruimtelijke kenmerkplots van deze metrieken met behulp van ruimtelijke kenmerkplots. Identificeer spots buiten het weefselgebied. Optioneel kunnen filters worden toegepast om spots van lage kwaliteit te verwijderen.Na het uitvoeren van het script kunt u deze resultaten verkrijgen, inclusief QC-metrieken en de ruimtelijke plot van de kenmerken. Stap vier: data-voorbewerking, integratie en clustering. Normaliseer bij de voorbewerking van individuele monsters.Pas voor elk monster afzonderlijk een SC transform normalisatie toe met assay Spatial. Integreer meerdere monsters. Bereid de lijst met SCTransform-genormaliseerde objecten voor de integratie voor.Zorg ervoor dat elk object een RNA-assay heeft door de ruimtelijke assay te kopiëren. Gebruik de functies voor selectie-integratie in de PREP SCT-integratie om gedeelde variabele kenmerken te identificeren. Vind de integratieankers met behulp van find integration anchors met de normalisatiemethode SCT.Integreer de gegevens met behulp van IntegrateData. Voer dimensiereductie uit in de clustering op de geïntegreerde assay. Voer PCA uit op de geïntegreerde gegevens met behulp van runPCA.Bepaal het optimale aantal hoofdcomponenten voor de daaropvolgende analyse door de cumulatieve verklaarde variantie te berekenen. Identificeer het knikpunt (elbow point) programmatisch. Voer UMap uit met het bepaalde aantal PC's.Cluster de cellen met behulp van FindNeighbors en FindClusters. Specificeer de bepaalde PC's bij een resolutie van 0,5. Voer een differentiële expressieanalyse uit tussen de doelgroepen met behulp van de FindWorkers-functie.Identificeer ruimtelijk variabele genen. Voer voor elk oorspronkelijk monster find spatially variable features uit met de Moran's I-methode op de SCT-assay om de ruimtelijke autocorrelatie te berekenen. Na het uitvoeren van dit script kunt u de elbow plot, de UMap-plot, de clusterplot, de heatmap van clustermarkers, de volcano plot, ruimtelijk kenmerk-differentieel tot expressie gebrachte genen, ruimtelijk betrouwbare genen en de markers voor de colonlaag verkrijgen.En de dot plot van de markers voor de colonlaag, samen met de markers in de ruimtelijke kenmerkenplot. Stap vijf, voorbewerking van enkelcel-referentiedata. Lees de enkelcel RNA-seq count-matrix in met read 10X en maak een Seurat-object aan.Voer standaard QC-normalisatie en declustering uit. Bereken het percentage mitochondriale reads in de gefilterde cellen. Normaliseer de gegevens met behulp van SC transform.Stel een vara.to. in, regresseer percent.mt, voer een PCA en UMap uit en cluster de cellen met de dynamische PC-selectiemethode die in de vorige stappen is beschreven, en annoteer vervolgens de celtypen.Bereken de modulescores voor canonieke celtype-markergenen met behulp van AddModuleScore. Annoteer clusters op basis van de modulescores en bekende biologie. Importeer alternatief vooraf berekende annotaties vanuit metadata.Na het uitvoeren van dit script kunt u de QC-metrieken verkrijgen. Zij hebben de UMap per cluster, de UMap per monster en de celtypescores geüpload. Stap zes: referentiegestuurde deconvolutie met SPOTlight.Bereid eerst de gegevens voor voor SPOTlight. Zet het geannoteerde single-cell Seurat-object en het ruimtelijke Seurat-object om in een single-cell experiment-object. Log-normaliseer de single-cell gegevens met behulp van LogMoreCounts.Voer vervolgens de SPOTlight-deconvolutie uit. Identificeer eerst de genen met een hoge variabiliteit in de single-cell data met behulp van ModelGeneVar. Bereken de celtype-markers met behulp van score markers en filter op markers van hoge kwaliteit.Downsample de single-cell referentie voor elk celtype naar een hanteerbaar aantal om de rekentijd te verkorten. Voer de deconvolutie uit met de SPOTlight-functie door de single-cell referentie, de spatiale gegevens, de markerlijst en de HVG's op te geven, waarna we de resultaten kunnen visualiseren en exporteren. Het deconvolutieresultaat kan als volgt worden verkregen, weergegeven als een scatter pipe route.Stap zeven, ongesuperviseerde deconvolutie met Stdeconvolve. Bereid eerst de ruimtelijke gegevens voor. Extraheer de metrieken van het aantal rijen uit het ruimtelijke Seurat-object met GetAssayData met de slot counts.Verwijder spots en genen van lage kwaliteit met behulp van de opgeschoonde counts van STdeconvolve. Identificeer de latente celtypen voor de filters waarbij een corpus van vier genen in een minimale fractie van de spots tot expressie komt via restrict strict LDA door dit allocatiemodel over een reeks potentiële topic-aantallen toe te passen met fitLDA. Selecteer het optimale model op basis van minimale complexiteit met behulp van optimal model met opt min.Analyseer en visualiseer de resultaten. Extraheer het serotype-aandeel, Theta, en de genprofielen Beta voor het optimale model met behulp van getBetaTheta. Om een biologische interpretatie van de corrosieonderwerpen toe te voegen, importeert u de annotaties van het interessegebied die zijn gegenereerd door de tool voor het selecteren van ruimtelijke spots.Gebruik deze annotaties als groepsparameter in de functie 'with all topics'. Projecteer de gedeconvolueerde celtype-proporties van uw project terug op de ruimtelijke coördinaten en kleurcodeer de spots op basis van hun ROI. Na het uitvoeren van het script krijgt u een resultaat zoals dit, een schaalbare weergave, vergelijkbaar met die van SPOTlight.Stap acht, ruimtelijke cel-celcommunicatie met behulp van Giotto. Zet eerst het Seurat-object om in een Giotto-object. Gebruik hiervoor de functie createGiottoObject en voeg de low-count metrics en de ruimtelijke coördinaten toe.Voorbehandel het Giotto-object en voeg het deconvolutieresultaat toe. Normaliseer de gegevens met behulp van normalized Giotto en voeg deze toe als serotype-annotaties. Selecteer celmetadata met behulp van addCellmetadata.Creëer een ruimtelijk netwerk met behulp van createSpatialNetwork. Laad een ligand-receptor-database in onze omgeving. Voer explore CellCellcom uit om significante ligand-receptorinteracties te identificeren tussen celtypen die zich in ruimtelijke nabijheid bevinden.U kunt de dot plot voor cel-cel communicatie als volgt verkrijgen. Stap negen is optioneel. Interactieve selectie van spots met SelectSpatialSpot.Bereid de gegevens voor de interactieve tool voor met behulp van het script six. Extraheer de ruimtelijke coördinaten uit het Seurat-object met GetTissueCoordinates. Formatteer en exporteer de gegevens.Exporteer het formatieve dataframe naar een CSV-bestand. Voer vervolgens een analyse van het interessegebied uit. Start de aangepaste applicatie.Selecteer de applicaties voor ruimtelijke spots en laad het CSV-bestand. Selecteer interactief de spots op basis van de ruimtelijke locatie. Exporteer vervolgens de lijst met geselecteerde spots en hun toegewezen groep als een nieuw CSV-bestand.We controleren nu wat we verkrijgen na het één voor één uitvoeren van het script. Alle resultaten worden opgeslagen in de resultaten van de vijfvoudige kruisvalidatie. En zoals u kunt zien, kunnen we de QC-metrieken en de verdeling verkrijgen.En u kunt hier de ruimtelijke kenmerkplot bekijken. Bovendien is het deconvolutieproces zowel op een gesuperviseerde als een ongesuperviseerde manier uitgevoerd. De SPOTlight-resultaten vindt u hier.Zoals u kunt zien, bevatten alle spots de proportie-informatie. De resultaten van de ongesuperviseerde deconvolutie door STdeconvolve zijn hier ook gegenereerd. En dit is het Seurat-clusterresultaat van de spot in de ruimtelijke data.U kunt ze ook visualiseren in de ruimtelijke teamplot, zoals hier. Bovendien kunt u met Giotto ook de resultaten van de spot-spot communicatie verkrijgen. Deze volledige workflow is 100% open source.Spotting-analyse van expressiemetrieken tot geavanceerde ruimtelijke modellering. Alle stappen worden uitgevoerd op een machine met 16GB RAM. De codebasis is modulair, met één script per taak.Houd er rekening mee dat deze pipeline de upstream-verwerking vanuit de FASTQ-bestanden niet omvat. De focus ligt op de 2D-ruimtelijke gegevens en momenteel worden alleen de downloaders van Visium ondersteund. Dat is alles, bedankt voor het kijken.

a-practical-workflow-for-spatial-transcriptomics-data-analysis-from

Research

JoVE Journal

Genetics

Genetica

Intrinsiek ongeordende domeinen zijn belangrijk voor de functie van de oncogene fusietranscriptiefactor. Om deze eiwitten therapeutisch te targeten, is een meer gedetailleerd begrip van de regulerende mechanismen die door deze domeinen worden gebruikt, vereist. Hier gebruiken we transcriptomics om belangrijke structurele kenmerken van het intrinsiek ongeordende EWS-domein in Ewing-sarcoom in kaart te brengen.

Het in kaart brengen van de structuur-functierelaties van ongeordende oncogene transcriptiefactoren met behulp van transcriptomische analyse

Hier beschrijven we een protocol voor het verfijnen van interessante regio's (ROI's) voor Spatial Omics-technologieën om de micro-omgeving van de tumor beter te karakteriseren en specifieke celpopulaties te identificeren. Voor proteomics-assays kunnen geautomatiseerde aangepaste protocollen de ROI-selectie begeleiden, terwijl transcriptomics-assays kunnen worden verfijnd met behulp van ROI's zo klein als 50 μm.

Ruimtelijke profilering van eiwit- en RNA-expressie in weefsel: een benadering om virtuele microdissectie te verfijnen

Hier presenteren we een methode voor het uitlijnen en cryosectieren van meerdere zebravislarvenmonsters (Danio rerio) en het verzamelen ervan op een enkel glaasje voor ruimtelijke transcriptomische analyse.

Ruimtelijk compacte opstelling van larvale zebravissecties voor ruimtelijke transcriptomische analyse

Dit artikel presenteert een protocol voor het uitvoeren van uitgebreide ruimtelijke transcriptomische profilering van gastheer-, viraal-, schimmel- en microbioom-RNA uit formaline-gefixeerde, in paraffine ingebedde weefselsecties met behulp van Stereo-seq, waarmee verschillende transcriptomen met hoge resolutie in kaart kunnen worden gebracht met behoud van weefselarchitectuur.

Uitgebreide ruimtelijke profilering van soortagnostische transcriptomen via stereo-seq

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.

Mining Spatial Transcriptomics-datasets met behulp van DeepSpaceDB

Dit protocol omvat een stapsgewijze workflow voor verkalkte vasculaire monsters: weefselbehandeling, decalcificatie, RNA-validatie, detectie van calcificatieniveaus en strategieën voor het selecteren van interessegebieden op de Nanostring GeoMx Digital Spatial Profiler (DSP). Het doel is om een uitgebreide methode te presenteren voor het behouden van vasculaire weefselmorfologie en RNA voor betrouwbare ruimtelijke transcriptomische analyse.

Voorbereiding en verwerking van verkalkte slagader met geconserveerde morfologie en RNA voor digitale ruimtelijke profilering

Deze studie presenteert een ruimtelijk Trekker–CUT&amp;Tag multioomprotocol dat directe ruimtelijke streepjescoding van een weefselsectie combineert met enkelcel-multioomanalyse. Deze aanpak maakt ruimtelijk opgeloste enkelcelprofilering van genexpressie en de histon H3K27ac-modificatie mogelijk gelijktijdig, wat mechanistische inzichten biedt in genregulatie in de context van weefselmicroanatomie.

Ruimtelijk opgeloste, geïntegreerde single-cell multiomic profilering van het transcriptoom en epigenomische doelen in bevroren weefselsecties

Tandem-splijsgebeurtenissen vinden plaats op plaatsen die minder dan 12 nucleotiden uit elkaar liggen. Het kwantificeren van verhoudingen van dergelijke splitsvarianten is haalbaar met behulp van een absolute kwantitatieve PCR-benadering. Dit manuscript beschrijft hoe splitsvarianten van het gen STAT3, waarbij twee splitsgebeurtenissen resulteren in Serine-701 inclusie/uitsluiting en α/β C-termini, kunnen worden gekwantificeerd.

Het samenvoegen van absolute en relatieve kwantitatieve PCR gegevens te kwantificeren STAT3 Splice Variant Afschriften

Galaxy en David hebben zich ontwikkeld tot populaire tools die het mogelijk maken de onderzoekers zonder bioinformatica training te analyseren en RNA-Seq gegevens te interpreteren. We beschrijven een protocol voor C. elegans onderzoekers RNA-Seq experimenten toegang voeren en verwerken dataset behulp Galaxy en zinvolle biologische informatie uit het gen lijsten met behulp DAVID verkrijgen.

Transcriptoom analyse<em&gt; C</em&gt;.<em&gt; elegans</em&gt; RNA Sequencing gegevens via de Tuxedo Suite op de Galaxy Project

Dit manuscript beschrijft de experimentele procedure en software analyse voor een bidirectionele integratie site analyse die tegelijkertijd upstream en downstream vector-host junction DNA kan analyseren. Bidirectionele PCR producten kunnen worden gebruikt voor elk downstream sequencing platform. De resulterende gegevens zijn bruikbaar voor een high-throughput, kwantitatieve vergelijking van geïntegreerde DNA-doelen.

Tweerichtings retrovirale integratie site PCR methodologie en kwantitatieve data analyse werkstroom

The First Affiliated Hospital with Nanjing Medical University.  This protocol presents a reproducible workflow for analyzing spatial transcriptomics data, guiding users from public data acquisition and Seurat-based quality control through integration, spatial feature detection, cell-type deconvolution, region-of-interest annotation, and cell–cell communication analysis, with practical checkpoints that support transparent execution.

Een praktische workflow voor de analyse van ruimtelijke transcriptomics-gegevens: van gegevensverwerving tot geavanceerde analyses

Meer video's verkennen