利用深度数据融合实现超高分辨空间转录组技术

作者：Magigen

目前的空间转录组学方法受到低空间分辨率的限制。最近，来自瑞典KTH皇家技术研究院和斯德哥尔摩大学的研究人员利用数据深度融合技术，将空间基因表达数据与来自同一组织切片的组织学图像数据相结合，推算出更高分辨率的表达图谱。

利用深层生成模型，研究人员用该方法表征了微米级解剖特征的转录组，并且可以仅从组织学图像预测空间基因表达。

大多数空间转录组学方法必须在分辨率和多路复用能力之间取得平衡，但该团队开发出一种新模型来解决了这些限制。他们的方法将原位RNA捕获（ISC）与高分辨率组织学图像相结合，生成高分辨率的转录组表达图谱。他们的分析报告于周一发表在《自然生物技术》上，表明该方法稳健而敏感。

表达图谱解决了在原始ISC数据中难以分离的微米级表达特征。识别和描述这些特征对于描述微小的解剖特征和开发针对疾病状态的有效治疗方法至关重要。

由于该方法可以从组织学图像和参考ISC图像中进一步预测空间基因表达，它还可以实现基于图像的生物信息空间转录组技术。

这种超分辨率空间转录组学方法将ISC数据与高分辨率组织学图像数据相结合，这些图像通常是苏木精和伊红染色的组织学图像数据。特别是，该方法将空间基因表达和组织学图像数据视为潜在组织状态的影响，然后在多个空间分辨率上建模。研究人员注意到，这捕捉到了整体和局部的解剖特征。然后通过识别神经网络将图像数据映射到潜在状态。

研究人员首先使用合成数据集测试了他们的方法，发现它具有很高的准确性。他们同样发现，他们的方法与来自小鼠嗅球的12个组织切片数据集的真实数据有95%的方向一致性，并且他们的方法与来自艾伦小鼠大脑图谱的参考原位杂交数据相匹配。这些发现向研究人员表明，他们的方法可以将ISC数据分离为高分辨率的子成分。

使用小鼠嗅球和人类鳞状细胞癌数据集，研究人员发现他们的方法可以从组织学图像预测表达。特别是，他们注意到，它再现了真实数据的表达模式，准确度与样本中的表现一致。

此外，在使用人类小肠和其他数据集的分析中，研究人员发现他们的方法是稳健和敏感的。遮挡部分图像数据会导致预测结果与地面真实值表达之间的相关性略有下降，尽管可见区域仅受到轻微影响。

研究人员还应用他们的方法检测了小鼠嗅球和人类乳腺癌中的基因表达。在小鼠样本中，他们发现了一些上调和下调的基因，他们发现的100个最上调的基因中有40个是最近通过单细胞RNA测序分析与小鼠嗅球相关的标记。

同时，他们发现了一些在导管原位癌病变中上调的肿瘤相关基因。这包括CD74，一种乳腺癌转移性肿瘤生长的标志物，在肿瘤边缘附近表达，这一发现可能具有治疗意义。

研究人员补充说，他们的方法可以实现生物信息学空间转录组技术ISST。研究人员设想未来的工作能够在更大范围内实现ISST，满足培养组织特异性模型的需要。这种模型需要能够标记出分布外的样本，并在跨越广泛解剖条件的数据库上进行训练。

返回首页

参考文献

Super-resolved spatial transcriptomics by deep data fusion