Niniejszy protokół przedstawia powtarzalny schemat analizy danych transkryptomiki przestrzennej, prowadząc użytkownika od pozyskania danych publicznych i kontroli jakości w oparciu o pakiet Seurat, poprzez integrację, detekcję cech przestrzennych, dekonwolucję typów komórek, adnotację obszarów zainteresowania, aż po analizę komunikacji międzykomórkowej, z uwzględnieniem praktycznych punktów kontrolnych wspierających przejrzystość wykonania.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Praktyczny schemat analizy danych z transkryptomiki przestrzennej: od pozyskiwania danych po analizy zaawansowane
W tym artykule
Podsumowanie
Streszczenie
Transkryptomika przestrzenna (ST) profiluje ekspresję genów w całym genomie, zachowując dwuwymiarowy kontekst przestrzenny cząsteczek mRNA w przekrojach tkanek, co umożliwia badania architektury tkanek oraz biologii związanej z mikrośrodowiskiem. Analiza ST pozostaje jednak wyzwaniem, ponieważ import danych, kontrola jakości, integracja, dekonwolucja, statystyka przestrzenna i wizualizacja często wymagają wielu środowisk programistycznych i powtarzalnego doboru parametrów. Niniejszy protokół przedstawia praktyczny przepływ pracy obliczeniowej dla publicznych zbiorów danych ST w języku R, rozpoczynający się od pozyskania danych i konfiguracji oprogramowania, a następnie obejmujący ładowanie danych w pakiecie Seurat, kontrolę jakości, normalizację, integrację wielu próbek, klastrowanie oraz analizę genów zmiennych przestrzennie. Następnie przepływ pracy stosuje uzupełniające strategie dekonwolucji, w tym analizę SPOTlight z prowadzeniem referencyjnym oraz nienadzorowane modelowanie tematów STdeconvolve, a po nich analizę przestrzennej komunikacji międzykomórkowej w pakiecie Giotto oraz interaktywny wybór regionów zainteresowania (ROI) przy użyciu niestandardowej aplikacji Python Dash. Kładąc nacisk na wykonywanie za pomocą skryptów, jawne uzasadnienia parametrów, oczekiwane wyniki i punkty kontrolne rozwiązywania problemów, protokół zapewnia adaptacyjną strukturę dla standardowych zbiorów danych ST opartych na macierzach oraz powiązanych platform po ocenie parametrów specyficznych dla zbioru danych i platformy.
Wprowadzenie
Transkryptomika przestrzenna (ST) to przełomowa rodzina technologii umożliwiająca pomiar ekspresji genów w całym genomie przy jednoczesnym zachowaniu współrzędnych przestrzennych cząsteczek mRNA (messenger RNA) w przekrojach tkanek. Metody ST obejmują podejścia oparte na sekwencjonowaniu, które wykorzystują macierze z kodami kreskowymi określającymi pozycję, oraz podejścia obrazowe in situ, które mapują sygnały transkrypcyjne w nienaruszonych mikrośrodowiskach tkankowych1,2. Dzięki zachowaniu kontekstu przestrzennego ST umożliwia analizę architektury tkanek, organizacji sąsiedztwa komórkowego, komunik....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
Wszystkie zbiory danych biologicznych analizowane w niniejszym protokole są ogólnodostępne i wykorzystane wyłącznie w celach demonstracyjnych. Konkretne numery dostępowe do danych oraz repozytoria źródłowe podano w odpowiednich krokach. Oryginalne zbiory danych zostały wygenerowane przez pierwotnych badaczy zgodnie z instytucjonalnymi wytycznymi etycznymi obowiązującymi dla każdego badania źródłowego. Należy zapoznać się z Tabelą Materiałów, aby zweryfikować wszystkie wymagane wersje oprogramowania i pakietów R.
Wymagania sprzętowe: Pamięć obliczeniowa wymagana dla tego przepływu pracy skaluje się wraz z liczbą analizowanyc....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Implementacja przepływu pracy i integracja danych ilustrują główne cechy tkanki
Przepływ obliczeniowy zastosowano do danych z transkryptomiki przestrzennej okrężnicy myszy, aby zilustrować oczekiwane wyniki w poszczególnych etapach analitycznych. Jak przedstawiono na schemacie przepływu (Rysunek 1), potok rozpoczął się od pozyskania danych i kontroli jakości, gdzie wykresy cech przestrzennych wyznaczyły granice tkanki (Rysunek.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Niniejszy protokół przedstawia kompleksowy przepływ pracy obliczeniowej dla analizy danych z transkryptomiki przestrzennej, który równoważy głębię analityczną z praktyczną dostępnością. Podejście krok po kroku prowadzi badaczy przez cały proces analityczny, od początkowego pozyskania danych po zaawansowane analizy przestrzenne, kładąc nacisk na kluczowe punkty decyzyjne oraz potencjalne pułapki.
Kilka etapów protokołu wymaga szczególnej uwagi ze względu na ich wpływ na dalsze wyniki. Progi kon.......
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy nie deklarują żadnych konkurencyjnych interesów finansowych.
Podziękowania
Autorzy dziękują twórcom i opiekunom pakietów Seurat, Giotto oraz SPOTlight za wsparcie i dokumentację. Wyrażamy również wdzięczność za wkład publicznych repozytoriów danych oraz badaczy, którzy bezinteresownie udostępnili swoje zbiory danych.
....Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| ggplot2 | Posit Software, PBC | v4.0.0(CRAN) | Zaawansowana wizualizacja danych |
| Giotto | Dries Lab | v4.2.2 (GitHub) | Analiza sieci przestrzennych i komunikacji międzykomórkowej |
| patchwork | Thomas Lin Pedersen | v1.3.2 (CRAN) | Kompozycja i układ wykresów |
| R software | R Foundation for Statistical Computing | v4.4.3 | Podstawowe środowisko wykonawcze (macOS aarch64) |
| scater | Davis McCarthy et al. | v1.34.1 (Bioconductor) | Kontrola jakości i wizualizacja danych jednokomórkowych |
| scran | Aaron Lun et al. | v1.34.0 (Bioconductor) | Modelowanie wariancji i detekcja markerów w danych jednokomórkowych |
| Select Spatial Spots (Własne narzędzie Python) | LeafLight | v1.0.0 (GitHub) | Interaktywny wybór przestrzennych obszarów zainteresowania (ROI) (https://github.com/LeafLight/SelectSpatialSpots) |
| Seurat | Satija Lab | v5.3.0 (CRAN) | Preprocessing, integracja i klasteryzacja danych przestrzennych |
| SeuratObject | Satija Lab | v5.2.0 (CRAN) | Struktury danych dla danych jednokomórkowych i przestrzennych |
| SingleCellExperiment | Bioconductor Core Team | v1.28.1 (Bioconductor) | Standaryzowany kontener danych dla scRNA-seq |
| SPOTlight | Marc Elosua-Bayes et al. | v1.10.0 (Bioconductor) | Dekonwolucja przestrzenna z wykorzystaniem referencji |
| Stdeconvolve | Jean Fan Lab | v1.3.2 (Bioconductor) | Nienadzorowane modelowanie tematów latentnych |
| tidyverse | Posit Software, PBC | v2.0.0 (CRAN) | Podstawowy pakiet narzędzi do manipulacji i formatowania danych |
Bibliografia
- Ozirmak Lermi N, Molina Ayala M, Hernandez S, et al. Comparison of imaging based single-cell resolution spatial transcriptomics profiling platforms using formalin-fixed paraffin-embedded tumor samples. Nat Commun. 2025;16(1):8499.
- Ren P, Zhang R, Wang Y, et al. Systematic benchmarking of high-throughput subcellular spatial transcriptomics platforms across human tumors. Nat Commun. 2025;16(1):9232.
- Danishuddin, Khan S, Kim JJ. Spatial transcriptomics data and analytical methods: An updated perspective. Drug Discovery Today. 2024;29(3):103889.
- Xu Z, Wang W, Yang T, et al. STOmicsDB: A comprehensive database for spatial transcri....
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
