Los científicos tradicionalmente examinan los tejidos analizando los niveles de expresión de genes en células individuales utilizando una técnica conocida como transcriptómica espacial (ST). Los investigadores obtienen información sobre la organización espacial y la función de las células midiendo la cantidad de ARN en ubicaciones específicas dentro de un tejido. Las tecnologías de transcriptómica espacial ST han sido fundamentales para desentrañar los misterios de la expresión del ARNm en células individuales manteniendo sus coordenadas espaciales. Sin embargo, surgen desafíos cuando es necesario analizar conjuntamente varios cortes de tejido y el tamaño de los puntos en los cortes ST dificulta la resolución.
Para superar estas limitaciones, un grupo de investigadores encabezado por el Prof. Qu Kun de la Universidad de Ciencia y Tecnología de la Academia de Ciencias de China ha creado una solución llamada Caracterización de la Arquitectura Espacial mediante Aprendizaje Profundo (SPACEL). Este conjunto de herramientas tiene tres módulos (Spoint, Splane y Scube) que se combinan para crear automáticamente un panorama 3D de tejidos.
El primer módulo, Sprint, aborda la tarea de deconvolución de tipo celular. Predice la distribución espacial de los tipos de células utilizando una combinación de pseudopuntos simulados, modelado de redes neuronales y recuperación estadística de perfiles de expresión. Esto hace que las predicciones sean precisas y poderosas. El segundo módulo, Splane, utiliza un enfoque de red convolucional de gráficos (GCN) y un algoritmo de aprendizaje adversario para identificar dominios especiales mediante el análisis conjunto de múltiples cortes ST. Splane utiliza entrenamiento adversario para eliminar efectos por lotes en varios sectores y utiliza composición de tipo celular como entrada. Splane destaca por su método innovador de identificación eficiente de dominios espaciales. El tercer módulo, Scube, automatiza la alineación de cortes y construye una arquitectura 3D apilada del tejido. Esto es crucial para superar los desafíos planteados por las limitaciones de las técnicas experimentales de ST, lo que permite una comprensión integral de la estructura tridimensional del tejido.
Los investigadores aplicaron SPACEL a 11 conjuntos de datos ST con un total de 156 cortes y utilizaron tecnologías como 10X Visium, STARmap, MERFISH, Stereo-seq y Spatial Transcriptomics. Los investigadores enfatizan que SPACEL superó a las técnicas anteriores en tres tareas analíticas fundamentales: predicción de la distribución del tipo de célula, identificación del dominio espacial y reconstrucción tridimensional de tejidos.
Además, SPACEL demostró su superioridad en la deconvolución de tipos celulares, la identificación de dominios espaciales y la alineación 3D frente a 19 técnicas de vanguardia en conjuntos de datos ST simulados y reales, con su rendimiento superior sobre técnicas anteriores y un enfoque simplificado para comprender con precisión los datos ST.
En conclusión, la introducción de SPACEL es un paso importante en la transcriptómica espacial. Sus tres módulos brindan a los investigadores una herramienta poderosa para superar los desafíos asociados con el análisis conjunto de múltiples cortes ST, lo que permite predicciones precisas del tipo de célula, identificación efectiva del dominio espacial y alineación precisa del tejido en 3D. Esta herramienta permite una alineación precisa de tejidos en 3D, predicciones de tipos de células e identificación eficiente de dominios espaciales.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de más de 35.000 ml, 41k+ comunidad de Facebook, Canal de discordia, LinkedIn Grarriba, Gorjeoy Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
Rachit Ranjan es pasante de consultoría en MarktechPost. Actualmente está cursando su B.Tech en el Instituto Indio de Tecnología (IIT) de Patna. Está dando forma activamente a su carrera en el campo de la inteligencia artificial y la ciencia de datos y le apasiona y se dedica a explorar estos campos.