Method Article

DeepSpaceDB kullanarak Uzamsal Transkriptomik Veri Kümelerinin Madenciliği

DOI:

10.3791/68892

⸱

September 5th, 2025

 ,  ,  ,  ,  ,  , 
1Department of Integrative Bioanalytics, Institute of Development, Aging and Cancer, Tohoku University, 2Department of Life Science and Medical Bioscience, Graduate School of Advanced Science and Engineering, Waseda University, 3Department of Rehabilitation Medicine, Tohoku University Graduate School of Medicine, 4Institute for Life and Medical Sciences, Kyoto University, 5Inter-Organ Communication Research Team, Institute for Life and Medical Sciences, Kyoto University, 6Institute for Liberal Arts and Sciences, Kyoto University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu makale, uzamsal transkriptomik için dinamik, etkileşimli bir veritabanı olan DeepSpaceDB'yi kullanmak için bir protokol sunar ve doku organizasyonunu ve hastalıkla ilgili gen ekspresyonunu keşfetmek için analiz iş akışları ve örnekler sunar.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Uzamsal transkriptomik, konumsal bilgileri korurken doku örneklerinde gen ekspresyon modellerinin yakalanmasını sağlayan, hızla gelişen bir teknolojidir. Biyolojik araştırma ve biyoinformatikte geniş kapsamlı uygulamalara sahiptir ve araştırmacıların farklı dokular, koşullar ve hastalıklar arasında gen ekspresyonundaki mekansal varyasyonları araştırmasına ve izlemesine olanak tanır. Uzamsal transkriptomik veri analizinin ilgi görmesiyle birlikte, halka açık veri kümelerinin sayısı artıyor. Bununla birlikte, uzamsal transkriptomik, önemli teknik ve finansal kısıtlamalarla birlikte oldukça uzmanlaşmış bir deneysel teknik olmaya devam etmektedir. Uzamsal verilere erişimi kolaylaştırmak için, yakın zamanda uzamsal transkriptomik veri keşfi için kapsamlı ve dinamik bir veritabanı olan DeepSpaceDB'yi geliştirdik. Bu makale, birkaç örnek yardımıyla veritabanının bileşenlerini ve gezintisini özetleyen ayrıntılı iş akışları sunar. İlk olarak, bir fare beyin örneğinin analizi, kalite göstergelerini, mekansal olarak değişken genleri ve yolları ve hipokampus ile hipotalamus arasındaki gen ekspresyonu varyasyonlarını araştırarak gösterilmiştir. Daha sonra, immün aktivite ile ilişkili diferansiyel olarak eksprese edilen genlerin tanımlanması ve açıklanması, kolorektal kökenli metastatik bölgelerin murin karaciğerlerindeki uzak sağlıklı doku alanları ile karşılaştırılmasıyla daha fazla araştırılmaktadır. DeepSpaceDB, gelişmiş araçları ve etkileşimli özellikleriyle, uzamsal transkriptomik araştırmalar için değerli bir kaynak olarak hizmet vererek, doku organizasyonu ve hastalık biyolojisinin daha derin bir şekilde araştırılmasını sağlar.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Uzamsal transkriptomik, araştırmacıların bir doku bölümü içindeki uzamsal bilgileri korurken gen ekspresyonunu analiz etmelerini sağlayan yeni bir teknolojidir, böylece doku mimarisi, hücresel heterojenlik ve mikroçevresel etkilerin benzeri görülmemiş bir çözünürlükte incelenmesini sağlar 1,2. Bununla birlikte, bu teknolojinin potansiyeline rağmen, erişim ve analiz sınırlı kalmaktadır, mekansal transkriptomik birçok laboratuvar için maliyet engelleyicidir ve veri analizi gelişmiş biyoinformatik becerileri gerektirir.

Halka açık veri tabanları geliştirmek, ortaya çıkan bu deneysel modaliteye erişimi genişletmenin bir yoludur. Çeşitli mekansal transkriptomik veri tabanları oluşturulmuştur. İlki SpatialDB idi, ancak yalnızca sınırlı sayıda örnek içeriyor ve güncellenmedi3. SODB, SOAR ve STOmicsDB veritabanları, birçok farklı platformdan çok sayıda örnek içerir ve veri havuzları olarak büyük bir rol oynar 4,5,6. Bununla birlikte, analiz araçları sınırlıdır ve etkileşimden yoksundur. Bu sorunu çözmek için, yakın zamanda, teknik engelleri azaltmak ve erişilebilirliği genişletmek için tasarlanmış, halka açık uzamsal transkriptomik veri kümelerinden oluşan, küratörlü, kullanıcı dostu bir veritabanı olan DeepSpaceDB'yi geliştirdik7. Bu makale, veritabanında arama yapma, numune kalitesini inceleme, görselleştirme araçları ve doku dilimleri içinde etkileşimli olarak seçilen bölgelerin karşılaştırılması dahil olmak üzere bu veritabanındaki çeşitli araçları göstermektedir. İki temsili örnek kullanarak ayrıntılı protokoller sunar: bu araçları pratik bağlamlarda göstermek için bir fare beyin örneğinin ve kolorektal metastazlı bir fare karaciğerinin analizi. Bu araçlar aracılığıyla DeepSpaceDB, daha geniş bir araştırmacı yelpazesinin kendi verilerine veya kurum içi biyoinformatik kapasitesine ihtiyaç duymadan mekansal transkriptomikten yararlanmasını sağlar. Veri toplama, kalite kontrol, işleme iş akışının yanı sıra DeepSpaceDB'de yer alan veri ve özelliklerin kapsamlı bir açıklaması Honcharuk ve ark.7 tarafından ayrıntılı olarak sağlanmıştır.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Örnek 1: Bir fare beyin örneğinin analizi

NOT: Bu bölümde, DeepSpaceDB'de bulunan farklı özellikler ve çizimler arasında gezinen bir fare beyin örneğinin analizi gösterilmektedir (veritabanına bir bağlantı Malzeme Tablosunda mevcuttur).

  1. Numune seçimi
    1. Veritabanı sekmesine tıklayın ve organizma faresini, organ beynini ve kaynak zenodo'yu seçmek için filtreyi kullanın. Elde edilen örnekler arasında ilerleyin ve örnek DSID001557 seçin. Alternatif olarak, veritabanında "DSID001557" terimini aramak için arama kutusunu kullanın ve bu örneği seçin.
    2. Numuneye tıklayın ve açıklamayı 100 μL salin-NK hücresinde 2 ×10 6 hücre olarak onaylayın (toplam 5 kez haftada bir kez IV enjeksiyonu).
  2. Kalite analizi
    1. Seçilen numunenin kalitesini değerlendirmek için Kalite sekmesine tıklayın. Kalite ölçümleri açılır menüsünden, numune dilimi boyunca her bir noktadaki ilgili parametreleri görselleştirmek için Tespit Edilen Genler (Şekil 1A), Okuma Sayısı (Şekil 1B) ve Mito (Şekil 1C) gibi farklı seçenekleri seçin.
  3. Görüntü açıklaması
    1. Örnek dilimin farklı bölgelerini tanımlamak için Görüntü ek açıklaması sekmesine gidin.
    2. Fare imlecini örnek dilimin üzerine getirin. Büyük bir dil modeli (LLM) tarafından tahmin edilen ek açıklamalar, örnek görüntünün bölümleri için anatomi ve ilişkili durum8 hakkındaki bilgilerle birlikte ızgara tabanlı bir şekilde görüntülenir.
  4. Küme analizi
    1. Örnek dilimdeki hücre türü kümelerini daha iyi anlamak için Kümeler sekmesine gidin. Kümelerin 2B gömülmesi, örnek dilim üzerindeki noktalar boyunca renk kodlu kümelerin bir temsili ile birlikte görüntülenecektir (Şekil 1E).
  5. Uzamsal olarak değişken genler ve yollar
    1. Genler sekmesine gidin ve örnek 9,10'daki uzamsal olarak değişken genleri (SVG; ekspresyon seviyeleri doku konumları arasında farklılık gösteren genler) not edin. Bu SVG'ler, her bir genin ekspresyon modelinin rastgele olarak beklenenden ne kadar farklı olduğunu değerlendirmek için Kullback-Leibler Divergence ölçüsünü (tabloda D_KL) benimseyen singleCellHaystack fonksiyonu kullanılarak tahmin edilir (Şekil 2). Düşük p değerine sahip genler (tablodaki büyük negatif log.p.adj) SVG'ler olarak listelenmiştir.
      NOT: Gen ekspresyonu verileri, Seurat R (sürüm 5) paket11'de kullanılan varsayılan parametreler kullanılarak normalleştirildi. Uygulamada, her bir noktadaki her bir gen için okumalar, o noktadaki toplam okuma sayısına bölündü ve 10.000 ölçek faktörü ile çarpıldı. Daha sonra, log(0) ile ilgili sorunları önlemek için 1'in eklenmesinden sonra doğal logaritma hesaplandı. Genler sekmesinde gösterilen grafik, bu normalleştirilmiş verileri gösterir.
    2. Listedeki en iyi genlerden bazılarına tıklayın. Bu, doku dilimi boyunca genler için uzamsal bir çizim oluşturur ve ekspresyon seviyesi için renk kodlu noktalar bulunur (Şekil 2). En yüksek puan alan genler, açıkça farklı uzamsal ifade kalıplarına sahiptir.
    3. Tek tek genler yerine gen kümelerinin (örneğin, ortak bir biyolojik yolla ilişkili genler) aktivitesini incelemek için Yollar sekmesine gidin. Uzamsal olarak değişken yollar, yukarıda tartışılan SVG'lere benzer şekilde listelenmiştir (Şekil 3). Yol aktiviteleri, kendileriyle ilişkili genlerin ekspresyon seviyelerine göre tahmin edilir 7,11.
      NOT: Yol aktiviteleri, Seurat R paket işlevi addModuleScore11 kullanılarak tahmin edilmiştir. Kısaca, bu fonksiyon girdi olarak bir dizi geni (örneğin, ortak bir yolda yer alan bir dizi gen) alır ve birkaç işlem adımından sonra ortalama ifade seviyelerini döndürür. Uygulamada, pozitif değerler ortalamadan daha yüksek bir aktiviteyi ve negatif değerler ortalamadan daha düşük bir aktiviteyi ifade eder. Yollar sekmesinde gösterilen grafik, bu modül puan verilerini gösterir.
    4. Listedeki en iyi yollardan bazılarına tıklayın. Bu, doku dilimi boyunca uzanan yollar için uzamsal bir çizim oluşturur ve noktalar aktivite seviyesi için renk kodludur. Birkaç yol, farklı uzamsal aktivite modellerine sahiptir (Şekil 3).
  6. Örnek içi gen ekspresyonu karşılaştırması
    1. Doku Gezgini sekmesine gidin ve Manuel Seçim'i seçin (henüz seçilmemişse). Ardından, sol taraftaki fare beyin diliminin hipokampal bölgesindeki noktaları seçmek için fare imlecini kullanın. Set 1'e tıklayın ve sete ekle'yi seçin. Bu, sağ taraftaki dilimde seçilen tüm noktaları vurgulayacaktır (Şekil 4A).
    2. Şimdi set 2'ye tıklayın ve fare beyin diliminin hipotalamik bölgesindeki noktaları seçmek için fare imlecini kullanın. Sağ taraftaki dilimde seçilen tüm noktaları vurgulayacak olan sete ekle'ye tıklayın (Şekil 4A).
    3. Nokta seçim işlemini tamamladıktan sonra Gen ifadesini karşılaştır butonuna tıklayın. Bu, bir dağılım grafiği gösterimi ile birlikte her iki bölge arasında seçilen noktaların ortalama gen ekspresyon değerlerini içeren bir tablo oluşturacaktır. Gen adlarını ve her iki bölgedeki genlerin ortalama ifadesini doğrulamak için imleci tek tek noktaların üzerine getirin.
    4. Gen ekspresyonu karşılaştırma sonuçlarına dayanarak, diferansiyel olarak ifade edilen genleri tanımlayın ve ekspresyonlarını örnek dilim boyunca görselleştirmek için Genler sekmesine yeniden gidin (Şekil 4B,C).
      NOT: Yukarıda ayrıntıları verilen adımlar aracılığıyla, DeepSpaceDB, bir fare beyni uzamsal transkriptomik örneğinin özelliklerini araştırmak için kullanılabilir.

2. Örnek 2: Fare karaciğerlerinde kolorektal kökenli metastatik bölgelerde immün aktivite ile ilişkili diferansiyel olarak ifade edilen genlerin tanımlanması ve açıklanması

NOT: Mevcut bölümde örneklem içi bir karşılaştırma incelenmiştir. Bu, iki farklı örneğe dayalı olarak, kolorektal kökenli metastatik bölgeler ile bir karaciğer bölümü içindeki sağlıklı dokunun uzak bölgeleri arasında diferansiyel olarak ifade edilen genlerin tanımlanması ve açıklanması yoluyla gösterilmiştir. İmmün aktivite ile ilgili spesifik düzensiz genlerin mekansal ifadesi, doku kesitlerinde daha fazla görselleştirilir.

  1. Veritabanı navigasyonu ve örnek seçimi
    1. Veritabanı sekmesine tıklayın ve organizma faresini, organ karaciğerini ve kanser durumunu seçmek için filtreyi kullanın. Elde edilen örneklerden örnek DSID001005 seçin. Numuneye tıklayın ve numunenin kolorektal kanser kökenli metastaz içeren bir fare karaciğerinden olduğunu belirten açıklamayı onaylayın.
    2. Doku Gezgini sekmesine gidin ve Manuel Seçim'i seçin. Daha sonra, fare imlecini kullanarak, Epcam markörünün pozitif ifadesine dayalı olarak tanımlanan karaciğer örneğinin DSID001005 tümör bölgesindeki (kolorektal metastazlar) noktaları seçin (Şekil 5A). Set 1'e tıklayın ve sete ekle'yi seçin. Bu, sağ taraftaki dilimde seçilen tüm noktaları vurgular (Şekil 5C).
    3. Şimdi set 2'ye tıklayın ve karaciğer örneğinin uzak tümör olmayan bölgesindeki noktaları seçmek için fare imlecini kullanın. Sağ taraftaki dilimde seçilen tüm noktaları vurgulayacak olan sete ekle'ye tıklayın (Şekil 5C).
  2. Seçilen noktalar arasındaki gen ekspresyonunun karşılaştırılması
    1. Nokta seçim işlemini tamamladıktan sonra Gen ifadesini karşılaştır butonuna tıklayın. Bu, bir dağılım grafiği gösterimi ile birlikte her iki bölge arasında seçilen noktaların ortalama gen ekspresyon değerlerini içeren bir tablo oluşturur. Fare imlecini tek tek noktaların üzerine getirin ve gen adlarını ve her iki bölgedeki genlerin ortalama ifadesini inceleyin.
    2. Gen ekspresyonu verileriyle daha derin bir analiz yapmak için CSV'yi İndir seçeneğini belirleyin. Bu, numunenin iki bölgesi için gen ifadesi verilerinin Virgülle Ayrılmış Değerler (CSV) dosyasını oluşturur.
    3. Örnek için 2.1.1-2.1.3 ve 2.2.1-2.2.2 adımlarını tekrarlayın.amp"DSID001007". Tanımını, kolorektal kanser kökenli metastazlar içeren bir fare karaciğerinden başka bir dilim olarak onaylayın.
  3. R programlama ile veri analizi
    1. Yukarıdaki adımların, biri örnek DSID001005'den ve diğeri örnek DSID001007'dan olmak üzere 2 CSV dosyasıyla sonuçlandığını onaylayın. Her iki dosya da, her örnekte yapılan 2 seçimde (tümör dokusu ve tümör olmayan doku) ortalama gen ekspresyonunu temsil eden 2 sütun içerir.
    2. CSV dosyalarını R'ye okuyun ve koşul başına iki kopya ile (yani, kolorektal kanser metastazı olan tümör bölgesi ve karaciğerdeki uzak sağlıklı doku) daha fazla aşağı akış analizi için birleştirin. Tamamlayıcı malzemeler'deki R betiğine ve veri dosyalarına bakın.
    3. Veriler için diferansiyel ekspresyon analizi yapmak için R'deki (sürüm 4.4.2)12'deki limma paketini (sürüm 3.62.2) kullanın, her iki örneğin kolorektal metastaz bölgelerini kanser olarak ve her iki örneğin uzak, sağlıklı bölgelerini kontrol olarak sınıflandırın. LogFC filtresi > 0.5 ve ayarlanmış p değeri 0.05 < yukarı regüle edilmiş genleri elde edin. Benzer şekilde, logFC < -0.5 filtresi ve 0.05 < ayarlanmış p değeri ile aşağı regüle edilmiş genleri elde edin.
      NOT: Bu gen setleri, bir sonraki adımda tümörden etkilenen biyolojik yolakları tanımlamak için kullanılır (Şekil 6A,B).
    4. Kyoto Genler ve Genomlar Ansiklopedisi'nin (KEGG)14 aşağı regüle edilmiş ve yukarı regüle edilmiş genler için yollarının analizini yapmak için R13'teki clusterProfiler paketini (sürüm 4.14.6) kullanın. Q değeri < 0.05'lik sıkı bir filtreye dayanarak, aşağı regüle edilmiş ve yukarı regüle edilmiş genlerle ilişkili önemli yolları belirleyin. İmmünolojik yollar, bağışıklık aktiviteleri veya ilgili imzalarla ilişkili genlere odaklanın (Şekil 6B).
  4. Genlere özgü veri madenciliği
    1. Ardından, hedef genlerin uzamsal ifadesini doğrulamak için Uzamsal Olarak Değişken Genler bölümünde gen adlarını arayın. Doku dilimi boyunca gen için uzamsal bir çizim oluşturmak için bir gen adına tıklayın, ekspresyon seviyesi için renk kodlu noktalar ile (Şekil 7).
    2. Uzak, sağlıklı karaciğer dokusuna karşı olduğu gibi, kolorektal metastaz bölgesinde uzamsal ifade modellerine sahip spesifik genleri tanımlayın. Genlerin işlevsel önemi veya diğer organlar veya koşullardaki ifadeleri veri tabanında daha fazla araştırılabilir.
    3. Ara sekmesini seçin ve türü fare olarak seçin. Gene göre arama seçeneğine tıklayın ve bir gen adı yazın. Genlerin organ ve durum dağılımına genel bir bakış gösterilecek ve daha fazla analiz edilebilecektir.
      NOT: Yukarıda ayrıntıları verilen adımlar aracılığıyla, DeepSpaceDB, fare karaciğeri uzamsal transkriptomik örneklerinde metastatik ve metastatik olmayan bölgeler arasındaki gen ekspresyon modellerini araştırmak için kullanılabilir.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Örnek 1, okuma sayısı, uzamsal olarak değişken genler ve yollar ve hipokampus ile korteks arasındaki gen ekspresyonu varyasyonları gibi parametreleri doğrulayan bir fare beyin örneğinin analizini gösterdi. İlk olarak, fare beyin örneği DSID001557 kalitesi çeşitli kalite ölçütlerine göre değerlendirildi: "Tespit Edilen Genler" (Şekil 1A), "Okuma Sayısı" (Şekil 1B) ve "Mito" (mitokondriyal okumaların yüzdesi; Şekil 1C). Bu, tespit edilen genlerin düşük sayısına ve düşük okuma sayısına bağlı olarak, beyin örneğinin sol tarafında daha düşük kaliteye sahip bir bölgeyi açıkça vurguladı. Numunenin diğer tüm numunelere göre göreli kalitesini anlamak için, veritabanındaki Numunenin göreli kalitesi sekmesine tıklandı ve bu sekmede Sayım ile Hayır arasında bir grafik görüntülendi. nokta başına tespit edilen gen sayısı (Ortalama). Analiz edilen örnek için, nokta başına 3500-4000 arasında gen tespit edildi (Şekil 1D). Numunenin anatomik özellikleri, Görüntü açıklama sekmesi kullanılarak daha fazla analiz edildi. Genel bir not olarak, bu ek açıklamalar, doku görüntülerini daha küçük parçalara keserek ve bir LLM'den gözlemlenebilir özellikleri tanımlamasını isteyerek oluşturulmuştur8. Bunlar, numunenin yorumlanmasına yardımcı olacak kaba göstergelerdir ve dikkatli bir şekilde yorumlanmaları gerekir. Numunelerin bir alt kümesi için (özellikle insan meme kanseri numuneleri), bir insan uzmanı tarafından yapılan ek açıklamalar da mevcuttur. Bununla birlikte, Visium H&E görüntülerinin rutin tanı için kullanılan görüntülere kıyasla daha düşük kalitesi göz önüne alındığında, sağlanan ek açıklamalar yalnızca araştırma amaçlıdır. Örnek DSID001557 için, imleci, hipokampal bölge, kortikal tabakalar, gliosisli yoğun hücresel tabakalar vb. gibi fare beyninin farklı bölgelerinin görüntülenen ek açıklamaları üzerine getirin. Numune diliminin temel anatomik özelliklerinin anlaşılmasından sonra, hücre tipi kümeleri ve uzamsal olarak değişken genler ve yollar gibi ayrıntılı özellikler daha fazla araştırıldı. Fare beyin örneğinde toplam 15 küme vardı ve bunlar örnek dilimi boyunca renk kodlaması ile temsil edildi (Şekil 1E). Örnekle ilişkili en önemli uzamsal olarak değişken genlerden bazıları Nrgn, Slc17a7, Ly6h ve Ddn'dir (Şekil 2). Nrgn, sinaptik plastisite ve uzamsal öğrenmeye aracılık etmede Nrgn kodlu proteinin (nörogranin) rolünü gösteren edebi kanıtlara uygun olarak, hipokampal bölgede yüksek ekspresyon sergiledi15. Glutaminerjik nöronlarda16 nörotransmisyon için çok önemli olan bir veziküler glutamat taşıyıcısını kodlayan bir gen olan Slc17a7 ve post-sinaptik hücre iskeletinin17 yapısını modüle eden bir proteini kodlayan bir gen olan Ddn de hipokampal bölgede yüksek oranda eksprese edildi. Buna karşılık, Ly6h geninin ekspresyonu, Ly6h'nin kortikal hücrelerin18 zarlarındaki kısıtlayıcı sinaptik rolünü gösteren literatüre uygun olarak kortikal bölgede lokalize edildi. Benzer şekilde, yolların aktivitesi numune dilimi boyunca görselleştirildi (Şekil 3). Uzamsal olarak değişken yolakların, hipokampal bölgede sinaptik plastisite ve nörotransmitter aktivitesinin düzenlenmesi ve kortikal bölgede nöropeptit sinyalizasyonu ile uzamsal olarak değişken genlerin fonksiyonel rolleri ile uyumlu olarak aktive edildiği gözlendi.

Son olarak, hipokampal bölge ile fare beyin örneğinin hipotalamusu arasında diferansiyel olarak ifade edilen genleri tanımlamak için Doku Gezgini sekmesi kullanıldı. İlgilenilen bölgelerle ilişkili noktalar, görüntü ek açıklamasından alınan kılavuzla seçildi (Şekil 4A). Oluşturulan dağılım grafiğinden, tanımlanan diferansiyel olarak ifade edilen genlerden bazıları, Pmch ve Ttr gibi birkaç başka genin yanı sıra, en üst mekansal olarak değişken genler (Nrgn, Slc17a7, Ddn) arasındaydı. Bu genlerin ekspresyonu örnek dilimde görselleştirildi. Pmch özellikle lateral hipotalamik bölgede aşırı eksprese edildi (Şekil 4B; Şekil 4A'daki yeşil seçili alanla karşılaştırın). Bu gen, melanin konsantre edici hormonun öncüsünü kodlar ve enerji homeostazınınkorunmasında rol oynar 19. Buna karşılık, Ttr geni, öğrenme ve uzamsal hafızadaki işlevsel rolüne uygun olarak, hipokampal bölgede spesifik olarak ifade edildi (Şekil 4C; Şekil 4A'daki kırmızı seçili alanla karşılaştırın)20. Bu veritabanını kullanarak farklı fare beyin bölgeleri arasında örneklem içi karşılaştırmalar yaparak, uzamsal gen ekspresyonu ve yol aktivitesine dayalı olarak bölgeye özgü fonksiyonel özellikleri vurgulayabildik.

Örnek 2'de, veri tabanı, karaciğerdeki kolorektal metastazlarla ilişkili immün imzaların tanımlanması için kullanılmıştır. Kolorektal metastazlı tümör bölgesi ile uzak, sağlıklı karaciğer dokusu arasında, DSID001005 (Şekil 5A-C) ve DSID001007 (Şekil 5D-F) olmak üzere iki örnek için uygun nokta seçimi ile örnek içi karşılaştırma yapıldı. Veriler, R kullanılarak koşul başına iki kopya ile yeniden analiz edildi. Kolorektal metastazı olan tümör bölgesi ile sağlıklı karaciğer dokusu arasında yapılan diferansiyel ekspresyon analizi, seçilen parametrelere dayalı olarak 138 genin aşağı regülasyonunu ve 115 genin yukarı regülasyonunu ortaya çıkardı (Şekil 6A,B). KEGG yolağı analizi, ilaç metabolizması ve kimyasal karsinogenez gibi aşağı regüle edilmiş genlerin yollarının zenginleştiğini gösterirken (Şekil 6C), yukarı regüle edilmiş genler, diğerlerinin yanı sıra lökosit trans-endotel göçü, fokal yapışma ve hücre döngüsüne karşılık gelen imzalar sergiledi (Şekil 6D). Lökosit trans-endotel göçünün bağışıklık aktivitesi için önemine odaklanarak, kategoride tespit edilen en iyi genler tanımlandı ve mekansal ifadeleri DeepSpaceDB'de gözlemlendi. İlginç bir şekilde, lökosit trans-endotel göçü kategorisi altında tespit edilen Cldn7, Cldn4 ve Actg1 genleri, sağlıklı karaciğer dokusuna sahip uzak bölgede değil, örneklerin tümör bölgesinde (Epcam+ bölgesi) yukarı regülasyon sergiledi (Şekil 7). Bu, lökositlerin aktif olarak işe alınmasıyla karaciğerin tümör bölgesinde yönlendirilen bağışıklık aktivitesinin doğası hakkında bilgi sağladı. Özetle, DeepSpaceDB kullanılarak yapılan örnek içi analiz, çeşitli biyolojik içgörülerin çıkarılmasını sağlar. Araştırmacılar, etkileşimli araçlar ve yeniden analiz iş akışları aracılığıyla uzamsal transkriptomik verileri karşılaştırarak, dokuya özgü gen ekspresyonu ve fonksiyonel heterojenlik ile ilgili hipotezler üretebilir ve doğrulayabilir.

figure-results-1
Şekil 1: Numunenin kalite ölçümleri. (A) Tespit edilen genlerin sayısı, (B) okuma sayısı ve (C) nokta başına mitokondriyal okuma yüzdesi. (D) Veri tabanındaki diğer tüm örneklerin dağılımıyla karşılaştırıldığında, bu örnekte nokta başına tespit edilen ortalama gen sayısı. (E) Doku dilimi boyunca kümeleri tespit edin. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: En üst mekansal olarak değişken genlerin ifadesi. (a) nrgn, (b) slc17a7, (c) ly6h ve (d) ddn. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Uzamsal olarak değişken en yüksek yolların aktivitesi. (A) Nöropeptit sinyali, (B) Sinaptik plastisitenin düzenlenmesi, (C) Nörotransmitter taşınması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: Fare beyninin seçilmiş iki bölgesi arasındaki gen ekspresyon modellerinin karşılaştırılması. (A) Numune içi karşılaştırmalar için hipotalamik ve hipokampal bölgelerde nokta seçimi. Seçilen bölge 1 kırmızı, bölge 2 yeşil olarak gösterilir. Hipotalamik ve hipokampal bölgeler arasında diferansiyel olarak ifade edilen (B) Pmch ve (C) Ttr genlerinin uzamsal ekspresyon modelleri. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: İki metastatik fare karaciğer örneğinin özellikleri. Numune DSID001005 için: (A) Epcam işaretleyici ifadesi, (B) spot kümeleri ve (C) numune içi karşılaştırmalar için kanserli ve uzak bölgelerdeki seçilmiş bölgeler. Numune DSID001007 için: (D) Epcam işaretleyici ifadesi, (E) spot kümeleri ve (F) numune içi karşılaştırmalar için kanserli ve uzak bölgelerdeki seçilmiş bölgeler. Her iki örnek için de tümör lekeleri kırmızı ile gösterilen bölgelerdedir ve tümör olmayan lekeler yeşil ile gösterilen bölgelerdedir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-6
Şekil 6: Yeniden analiz sonuçları. (A) Yeniden analizde kullanılan iş akışının şematik özeti. (B) Kanserli ve uzak bölgeler arasında diferansiyel olarak ifade edilen genleri temsil eden yanardağ grafiği. (C) yukarı regüle edilmiş genlerin ve (D) aşağı regüle edilmiş genlerin KEGG yolu zenginleşmesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-7
Şekil 7: Genlerin uzamsal ifadesi. (A) Cldn7, (B) Cldn4 ve (C) Actg1 doku diliminde DSID001005. Genlerin uzamsal ifadesi. (D) Cldn7, (E) Cldn4 ve (F) Actg1 doku diliminde DSID001007. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek dosyalar 1-4: Karaciğer metastazı örneği için veri dosyaları ve R komut dosyası. Bu dosyayı indirmek için lütfen buraya tıklayın.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada, DeepSpaceDB'deki uzamsal transkriptomik verilerin navigasyonunu, alımını ve analizini özetleyen iki kapsamlı protokolü tanıttık. Çoğu uzamsal omik veri tabanı, çeşitli platformlar 3,4,5,6 kullanılarak oluşturulan çok sayıda örnekten veri toplanmasına odaklanırken, DeepSpaceDB, kullanıcıların uzamsal transkriptomik özellikleri derinlemesine ve verimli bir şekilde keşfetmelerine olanak tanıyan etkileşimli araçların geliştirilmesine odaklanır. Bu işlevsellik düzeyini etkinleştirmek için, mevcut sürüm yalnızca Visium platformuna odaklanmaktadır. Yüksek çözünürlüklü platformların ortaya çıkmasıyla birlikte, DeepSpaceDB'yi buna göre genişletmeyi, bu tür verilerin kullanıcı dostu bir şekilde işlenmesi ve entegrasyonu için yeni stratejiler geliştirmeyi planlıyoruz.

DeepSpaceDB, kullanıcıların örnek kalite ölçümlerini (örneğin, gen sayıları, okuma derinliği) değerlendirmesine ve bunları veri kümeleri arasında karşılaştırmasına olanak tanır. Veritabanı, çok katmanlı ek açıklamalar içerir: atanmış etiketlerle tam veritabanı genelinde denetimsiz kümeleme, histolojik görüntülerden yapısal ve patolojik özelliklerin LLM tabanlı tespiti ve büyüyen bir örnek alt kümesi için uzman histoloji açıklamaları. Ayrıca, kullanıcılar, gen ekspresyonunu karşılaştırmak için numuneler içinde veya arasında etkileşimli olarak ilgi alanlarını seçebilir ve bu da tümör ile stroma veya hastalıklı ve sağlıklı bölgeler gibi bölgeler arasındaki uzamsal kontrastların incelenmesini sağlar. Bu tür özellikler genellikle diğer veritabanlarında eksiktir 3,4,5,6. Uzamsal olarak değişken genler ve yollar, hücre tipi tahminleri ve kümeleme sonuçları gibi diğer özellikler de mevcuttur. Birlikte ele alındığında, bu veritabanı uzamsal transkriptomik verileri keşfetmenin önündeki engelleri önemli ölçüde azaltır. Çok çeşitli doku ve koşullardan alınan örneklere ücretsiz olarak erişilebilir ve kullanıcılar bunları basit işaretle ve tıkla etkileşimleri yoluyla gezinebilir; Gelişmiş biyoinformatik uzmanlığı gerekmez. Bununla birlikte, ifade modellerinin doğru yorumlanması ve Doku Gezgini aracında ilgilenilen bölgelerin seçilmesi için işaretleyici genler ve doku mimarisi hakkında önceden bilgi sahibi olmak muhtemelen gereklidir.

Burada tanıtılmasa da, kullanıcılar kendi örneklerini de yükleyebilir ve bunları analiz etmek için aynı araçların çoğunu uygulayabilir. Veri tabanı ayrıca 2 farklı doku dilimi arasındaki örnekler arası karşılaştırmaları da destekler, örneğin hastalıklı dokular ve sağlıklı kontrol dokuları arasında karşılaştırmalara olanak tanır. Son olarak, ham ve işlenmiş veriler, türetilmiş tüm analiz çıktılarıyla birlikte indirilebilir ve aşağı akış iş akışlarını ve özel analizleri destekler. Bu araçların birçoğu için, veritabanının eğitim sayfasında kısa öğretici videolar mevcuttur.

Veritabanının hala iyileştirilmesi gereken yönleri var. Birincisi, doku dilimleri içindeki her bir yerde hücre tiplerinin ve hücre tipi bileşimlerinin doğru tahminidir. DeepSpaceDB'nin mevcut sürümünde (sürüm 1.0), sağlam hücre tipi ayrıştırma (RCTD)21 adı verilen bir yöntem kullanarak her bir Visium noktasının hücre tipi bileşimini tahmin ettik. RCTD, yakın tarihli bir kıyaslama çalışmasında nispeten iyi performans gösterdi22. RCTD tarafından yapılan tahminler, kanser taşıyan farelerin karaciğerleri üzerine yaptığımız son çalışmada da deneysel olarak doğrulanabilir23. Bununla birlikte, hücre tipi tahminlerinin doğruluğunun kapsamlı bir değerlendirmesi yapılmamıştır. İlgili bir sorun, RCTD ve diğer hücre tipi tahmin yöntemlerinin, açıklamalı hücre tiplerine sahip bir referans veri kümesi gerektirmesidir. Genel olarak, her bir uzamsal konumdaki hücre tipleri (veya hücre tipi bileşimleri), bu referans veri kümesindeki gen ekspresyon modelleriyle karşılaştırma yoluyla tahmin edilir. Ancak, her bir Visium örneği için uygun bir referans seçmek her zaman kolay değildir. Referanslar anahtar hücre tiplerinden yoksun olabilir veya tersine, doku dilimi24'te bulunmayan hücre tiplerini içerebilir. Ayrıca, bir hücre tipi içinde hücreler, aktif olmayan ve aktive edilmiş bağışıklık hücreleri gibi büyük ölçüde farklı durumlarda olabilir25. Referans veri kümelerinde bulunan hücre durumları, genellikle hastaların hastalık modellerinden elde edilen uzamsal örneklerin durumlarıyla eşleşmek zorunda değildir. Her iki sorunun da yanlış tahminlere yol açması muhtemeldir. Gelecekte bu sorunu ele almayı umuyoruz.

Uzamsal transkriptomik alanı hızla gelişmeye devam ettikçe, hücre-hücre etkileşimleri, uzamsal alanlar ve uzamsal olarak değişken genlerin tahmini dahil olmak üzere uzamsal verilerin çeşitli yönlerini analiz etmek için giderek artan sayıda hesaplama aracı geliştirilmektedir (bkz., örneğin, 26,27,28). Bu çoğalma, alanın dinamizmini yansıtırken, aynı zamanda araçların küratörlüğünü yapmak ve bu veritabanına entegre etmek için bir zorluk teşkil ediyor. En sağlam ve geniş çapta uygulanabilir yöntemlerin dahil edilmesini sağlamak için, veri kümeleri ve analiz görevleri arasında araç performansını değerlendiren sistematik kıyaslama çalışmalarına acil bir ihtiyaç vardır 22,29,30. Bu tür çabalar, veri tabanına dahil edilecek araçların bilinçli seçimine ve önceliklendirilmesine rehberlik etmek için gerekli olacaktır.

Diğer uzamsal transkriptomik veritabanları birçok farklı platformdan çok sayıda örnek toplamaya çalışırken, DeepSpaceDB'de farklı bir strateji kullanmaya karar verdik: birkaç popüler platforma odaklanın ve kullanıcının verileri daha ayrıntılı olarak kolayca keşfetmesine olanak tanıyan etkileşimli ve sezgisel araçlar uygulayın. Veritabanımız mevcut sürüm 1.0'da yalnızca Visium örneklerini içerse de, gelecekteki bir güncellemede diğer platformlardan örnekleri de dahil etmeyi planlıyoruz.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların ifşa edecek hiçbir şeyi yok.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar sekreterlik yardımı için Y. Harada'ya teşekkür eder. Bu çalışma JST NBDC (Hibe Numarası JPMJND2303, A.V.) ve AMED (Hibe Numarası JP24gm2010003, A.V.) tarafından desteklenmiştir. Bu çalışma aynı zamanda JSPS KAKENHI (20H03451, 24K02236 ve 24KK0147; S.K.), JST ORMANI (JPMJFR2062; S.K), JST Moonshot (JPMJMS2011-61; S.K). Fon sağlayıcıların çalışma tasarımı, veri toplama ve analizi, yayınlama kararı veya makalenin hazırlanmasında hiçbir rolü yoktu.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
clusterProfilerR paketi - sürüm 4.14.6
Derin Uzay DBSürüm > 1.0Veritabanına bir bağlantı: www.deepspacedb.com
LimmaR paketi - sürüm 3.62.2
RSürüm 4.4.2
RStudioKonumSürüm 2024.12

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. The expanding vistas of spatial transcriptomics. Nat Biotechnol. 41 (6), 773-782 (2023).">Tian, L., Chen, F., Macosko, E. Z. The expanding vistas of spatial transcriptomics. Nat Biotechnol. 41 (6), 773-782 (2023).
  2. Museum of spatial transcriptomics. Nat Methods. 19 (5), 534-546 (2022).">Moses, L., Pachter, L. Museum of spatial transcriptomics. Nat Methods. 19 (5), 534-546 (2022).
  3. SpatialDB: A database for spatially resolved transcriptomes. Nucleic Acids Res. 48 (D1), D233-D237 (2020).">Fan, Z., Chen, R., Chen, X. SpatialDB: A database for spatially resolved transcriptomes. Nucleic Acids Res. 48 (D1), D233-D237 (2020).
  4. SODB facilitates comprehensive exploration of spatial omics data. Nat Methods. 20 (3), 387-399 (2023).">Yuan, Z., et al. SODB facilitates comprehensive exploration of spatial omics data. Nat Methods. 20 (3), 387-399 (2023).
  5. STOmicsDB: A comprehensive database for spatial transcriptomics data sharing, analysis and visualization. Nucleic Acids Res. 52 (D1), 1053-1061 (2024).">Xu, Z., et al. STOmicsDB: A comprehensive database for spatial transcriptomics data sharing, analysis and visualization. Nucleic Acids Res. 52 (D1), 1053-1061 (2024).
  6. SOAR elucidates biological insights and empowers drug discovery through spatial transcriptomics. Sci Adv. 11 (24), 7450(2025).">Li, Y., et al. SOAR elucidates biological insights and empowers drug discovery through spatial transcriptomics. Sci Adv. 11 (24), 7450(2025).
  7. DeepSpaceDB: A spatial transcriptomics atlas for interactive in-depth analysis of tissues and tissue microenvironments. bioRxiv. , (2025).">Honcharuk, V., et al. DeepSpaceDB: A spatial transcriptomics atlas for interactive in-depth analysis of tissues and tissue microenvironments. bioRxiv. , (2025).
  8. arXiv. , OpenAI. http://arxiv.org/abs/2303.08774 (2023).">GPT-4 technical report. arXiv. , OpenAI. http://arxiv.org/abs/2303.08774 (2023).
  9. A clustering-independent method for finding differentially expressed genes in single-cell transcriptome data. Nat Commun. 11 (1), 1-10 (2020).">Vandenbon, A., Diez, D. A clustering-independent method for finding differentially expressed genes in single-cell transcriptome data. Nat Commun. 11 (1), 1-10 (2020).
  10. A universal tool for predicting differentially active features in single-cell and spatial genomics data. Sci Rep. 13 (1), 1-14 (2023).">Vandenbon, A., Diez, D. A universal tool for predicting differentially active features in single-cell and spatial genomics data. Sci Rep. 13 (1), 1-14 (2023).
  11. Dictionary learning for integrative, multimodal, and scalable single-cell analysis. Nat Biotechnol. 42 (2), 293-304 (2024).">Hao, Y., et al. Dictionary learning for integrative, multimodal, and scalable single-cell analysis. Nat Biotechnol. 42 (2), 293-304 (2024).
  12. Limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).">Ritchie, M. E., et al. Limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).
  13. ClusterProfiler: An R package for comparing biological themes among gene clusters. OMICS. 16 (5), 284-287 (2012).">Yu, G., Wang, L. G., Han, Y., He, Q. Y. ClusterProfiler: An R package for comparing biological themes among gene clusters. OMICS. 16 (5), 284-287 (2012).
  14. KEGG for taxonomy-based analysis of pathways and genomes. Nucleic Acids Res. 51 (D1), D587-D592 (2023).">Kanehisa, M., et al. KEGG for taxonomy-based analysis of pathways and genomes. Nucleic Acids Res. 51 (D1), D587-D592 (2023).
  15. Association between NRGN gene polymorphism and resting-state hippocampal functional connectivity in schizophrenia. BMC Psychiatry. 19 (1), 108(2019).">Zhang, Y., et al. Association between NRGN gene polymorphism and resting-state hippocampal functional connectivity in schizophrenia. BMC Psychiatry. 19 (1), 108(2019).
  16. Glutamate, aspartate and nucleotide transporters in the SLC17 family form four main phylogenetic clusters: evolution and tissue expression. BMC Genomics. 11, 17(2010).">Sreedharan, S., et al. Glutamate, aspartate and nucleotide transporters in the SLC17 family form four main phylogenetic clusters: evolution and tissue expression. BMC Genomics. 11, 17(2010).
  17. Sequencing of hippocampal and cerebellar transcriptomes provides new insights into the complexity of gene regulation in the human brain. Neurosci Lett. 541, 263-268 (2013).">Twine, N. A., Janitz, C., Wilkins, M. R., Janitz, M. Sequencing of hippocampal and cerebellar transcriptomes provides new insights into the complexity of gene regulation in the human brain. Neurosci Lett. 541, 263-268 (2013).
  18. Expression of the Ly-6 family proteins Lynx1 and Ly6H in the rat brain is compartmentalized, cell-type specific, and developmentally regulated. Brain Struct Funct. 219 (6), 1923-1934 (2014).">Thomsen, M. S., et al. Expression of the Ly-6 family proteins Lynx1 and Ly6H in the rat brain is compartmentalized, cell-type specific, and developmentally regulated. Brain Struct Funct. 219 (6), 1923-1934 (2014).
  19. The role of melanin concentrating hormone (MCH) in the central chemoreflex: A knockdown study by siRNA in the lateral hypothalamus in rats. PLoS ONE. 9 (8), e103585(2014).">Li, N., Nattie, E., Li, A. The role of melanin concentrating hormone (MCH) in the central chemoreflex: A knockdown study by siRNA in the lateral hypothalamus in rats. PLoS ONE. 9 (8), e103585(2014).
  20. Transthyretin-a key gene involved in regulating learning and memory in brain, and providing neuroprotection in Alzheimer disease via neuronal synthesis of transthyretin protein. J. Behav. Brain Sci. 8 (2), 77-92 (2018).">Iqbal, J. Transthyretin-a key gene involved in regulating learning and memory in brain, and providing neuroprotection in Alzheimer disease via neuronal synthesis of transthyretin protein. J. Behav. Brain Sci. 8 (2), 77-92 (2018).
  21. Robust decomposition of cell type mixtures in spatial transcriptomics. Nat Biotechnol. 40 (4), 517-526 (2021).">Cable, D. M., et al. Robust decomposition of cell type mixtures in spatial transcriptomics. Nat Biotechnol. 40 (4), 517-526 (2021).
  22. Benchmarking spatial and single-cell transcriptomics integration methods for transcript distribution prediction and cell type deconvolution. Nat Methods. 19 (6), 662-670 (2022).">Li, B., et al. Benchmarking spatial and single-cell transcriptomics integration methods for transcript distribution prediction and cell type deconvolution. Nat Methods. 19 (6), 662-670 (2022).
  23. Murine breast cancers disorganize the liver transcriptome in a zonated manner. Commun Biol. 6 (1), 1-12 (2023).">Vandenbon, A., et al. Murine breast cancers disorganize the liver transcriptome in a zonated manner. Commun Biol. 6 (1), 1-12 (2023).
  24. Missing cell types in single-cell references impact deconvolution of bulk data but are detectable. Genome Biol. 26 (1), 86(2025).">Ivich, A., et al. Missing cell types in single-cell references impact deconvolution of bulk data but are detectable. Genome Biol. 26 (1), 86(2025).
  25. A periodic table of cell types. Development. 146 (12), dev169854(2019).">Xia, B., Yanai, I. A periodic table of cell types. Development. 146 (12), dev169854(2019).
  26. Deciphering spatial domains from spatially resolved transcriptomics with an adaptive graph attention auto-encoder. Nat Commun. 13 (1), 1739(2022).">Dong, K., Zhang, S. Deciphering spatial domains from spatially resolved transcriptomics with an adaptive graph attention auto-encoder. Nat Commun. 13 (1), 1739(2022).
  27. Mapping cellular interactions from spatially resolved transcriptomics data. Nat Methods. 21, 1830-1842 (2024).">Zhu, J., et al. Mapping cellular interactions from spatially resolved transcriptomics data. Nat Methods. 21, 1830-1842 (2024).
  28. Giotto: A toolbox for integrative analysis and visualization of spatial expression data. Genome Biol. 22 (1), 1-31 (2021).">Dries, R., et al. Giotto: A toolbox for integrative analysis and visualization of spatial expression data. Genome Biol. 22 (1), 1-31 (2021).
  29. Benchmarking spatial clustering methods with spatially resolved transcriptomics data. Nat Methods. 21 (4), 712-722 (2024).">Yuan, Z., et al. Benchmarking spatial clustering methods with spatially resolved transcriptomics data. Nat Methods. 21 (4), 712-722 (2024).
  30. Benchmarking algorithms for spatially variable gene identification in spatial transcriptomics. Bioinformatics. 41 (4), btaf131(2025).">Chen, X., et al. Benchmarking algorithms for spatially variable gene identification in spatial transcriptomics. Bioinformatics. 41 (4), btaf131(2025).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Spatial TranscriptomicsGene Expression PatternsDeepSpaceDB DatabaseTissue Slice AnalysisSpatially Variable GenesDifferential Gene ExpressionTumor MicroenvironmentMouse Brain SampleColorectal Cancer MetastasisBioinformatics Tools

Related Articles