пространственная транскриптомика

В статье представлен Kintsugi — новый детерминированный метод тесселяции для анализа субклеточных пространственных транскриптомных данных. Метод разбивает ткань на бины на основе плотности захваченных UMI, что позволяет измерять РНК в компартментах с низким содержанием ядер, таких как нейропиль, фиброзные рубцы и хрящевой матрикс, которые ранее было трудно анализировать из-за привязки к ядрам или фиксированным областям. Kintsugi разделяет состав генов (по остаткам Пирсона) и плотность захваченных транскриптов, обеспечивая полное покрытие ткани без необходимости гистологии или сегментации ядер. На данных Visium HD мозга мыши метод выявил компартменты нейропиля, обогащённые глиальными и дендритными транскриптами, а координаты молекул Xenium подтвердили локализацию дендритной мРНК вдали от ядер. В идиопатическом легочном фиброзе Kintsugi идентифицировал фиброзный рубец с низким содержанием ядер, а в фетальном хряще — структуру матрикса. Дополнительно, с помощью протеомики CODEX показано, что плотность захвата не сводится только к плотности ядер. Результаты демонстрируют, что пространства ткани с низким содержанием ядер содержат структурированную и интерпретируемую РНК-биологию, доступную благодаря полной тесселяции ткани. Метод открывает новые возможности для изучения внеклеточных и процесс-богатых компартментов в норме и патологии.

Исследователи представили Ageas — вычислительную платформу на основе трансферного обучения, которая позволяет определять судьбу клеток (их будущую дифференцировку) по статическим молекулярным данным, не требуя временных измерений или генетического маркирования. Метод обучается на терминальных клеточных популяциях, извлекая «память судьбы», и переносит эту информацию на клетки-предшественники, что даёт возможность предсказывать их потенциал развития. Ageas использует адаптивную ансамблевую стратегию с автоматическим выбором моделей, что обеспечивает устойчивую работу с разными типами омиксных данных — транскриптомикой, эпигеномикой и пространственной транскриптомикой. В тестах на эталонных наборах данных с прослеженными линиями клеток Ageas показал более высокую точность по сравнению с существующими методами. Применение к 3D-модели человеческого эмбриона выявило пространственно организованный передне-задний градиент предрасположенности эпибласта: передние клетки склонны к эктодермальной судьбе, задние — к линиям, происходящим из первичной полоски, с соответствующими региональными регуляторными программами. Работа устанавливает Ageas как универсальный инструмент для расшифровки решений о судьбе клеток из статических молекулярных снимков, что важно для биологии развития и исследований заболеваний, включая онкологию.

Исследователи разработали BIGraph-ST — новый метод на основе графовых нейронных сетей для идентификации функциональных доменов в пространственной транскриптомике. Метод интегрирует два типа данных:_scores активности биологических путей и признаки гистологических изображений, что позволяет преодолеть шум и разреженность данных экспрессии генов. BIGraph-ST представляет сходство между модальностями через аффинные графы и распространяет пространственную топологию для захвата связности высшего порядка в тканевом микроокружении. Экспериментальные результаты показали робастную производительность и значительные улучшения на множестве бенчмарк-датасетов, особенно на образцах раковых тканей. Ключевое преимущество метода — биологически интерпретируемые представления доменов на уровне путей, что даёт исследователям инструмент для получения биологических инсайтов о сложных тканевых архитектурах. Исходный код будет опубликован после принятия статьи. Данная работа напрямую применяет методы машинного обучения для анализа медицинских данных в онкологии и патологической анатомии.

Исследователи разработали PhyloFM — фреймворк на основе flow-matching (машинное обучение), который интегрирует разнородные данные lineage-tracing с одноклеточной РНК-секвенацией и пространственной транскриптомикой для реконструкции непрерывной динамики клеточных судеб. Метод обучает поле скоростей и изменения относительной численности клеток на топологически регуляризованной латентной геометрии, предсказывая транспорт популяций, вероятности будущих судеб, время коммитмента и динамику экспрессии генов. PhyloFM протестирован на пяти бенчмарках: эмбриогенез C. elegans, гемопоэз LARRY, развитие вентрального среднего мозга pandaCREST, регенерация сердца у данио-рерио и пространственные опухоли eTracer. На данных C. elegans метод улучшил транспорт популяций на 17,3% и снизил ошибку динамики на 16,3% относительно state-of-the-art базлайнов, с уменьшением ошибки транспорта на 26,6% относительно lineage-aware контроля. На бенчмарке пространственных опухолей eTracer точность судьбы клонов увеличилась на 70,4% относительно лучшего пространственного базлайна, а 67% сопоставленных генов-репортёров показали корреляцию Пирсона r > 0,6. Результаты демонстрируют, что записи клеточного происхождения могут служить биологическими ограничениями для реконструкции интерпретируемой молекулярной динамики из одноклеточных снимков, что имеет значение для онкологии, регенеративной медицины и изучения развития тканей.

В статье представлен GPSNorm — новый байесовский фреймворк для пространственной нормализации данных транскриптомики, решающий проблему технической вариативности (различия в размере библиотек, эффекты слайдов и пространственные артефакты). В отличие от традиционных методов, рассматривающих нормализацию как отдельный этап предобработки, GPSNorm использует иерархическую модель, которая совместно моделирует технические помехи, пространственную структуру и биологический сигнал. Методология базируется на отрицательном биномиальном латентном гауссовском моделировании с использованием гауссовских марковских случайных полей и аппроксимации INLA для эффективного байесовского вывода. Это позволяет учитывать неопределенность нормализации при проведении последующего анализа дифференциальной экспрессии генов. Тестирование на данных префронтальной коры человека (Visium), исследования повреждений легких при COVID-19 (GeoMx) и атласе почек показало, что метод значительно точнее восстанавливает пространственные паттерны и улучшает оценку логарифмического изменения (log-fold change). Разработка доступна в виде open-source R-пакета, что делает её применимой для биоинформатиков и исследователей в области системной биологии.

В исследовании представлен RIPPLE (Replicate-Aware Inference of Paracrine Profiles via Likelihood Estimation) — новый программный пакет на языке R, предназначенный для анализа пространственной транскриптомики. Инструмент позволяет систематически декодировать межклеточные сигнальные пути, выявляя гены, экспрессия которых меняется в зависимости от расстояния до конкретного типа клеток. При тестировании на наборе данных 10x Xenium (мышиный лимфатический узел) алгоритм успешно восстановил каноническую программу ответа CCL21 в Т-клетках и подмножествах дендритных клеток с полной согласованностью знаков во всех образцах. В ходе анализа когорты немелкоклеточного рака легкого (CosMx) RIPPLE идентифицировал 515 генов градиента близости к опухоли, охватив 17 типов клеток. В частности, метод выделил IGFBP5 как ведущий маркер рак-ассоциированных фибробластов. Данная разработка предоставляет исследователям ранжированные списки паракриновых кандидатов, что критически важно для понимания микроокружения опухолей и разработки новых терапевтических стратегий.

Исследователи представили Spaceland — инновационный программный фреймворк, предназначенный для создания непрерывных 3D-молекулярных ландшафтов целых органов. Метод решает критическую проблему компромисса между плотностью выборки и точностью реконструкции в пространственной транскриптомике. Spaceland использует морфологически-информированное пространство, объединяя разреженные данные транскриптомики с серийными гистологическими срезами (H&E), обработанными с помощью моделей-оснований (foundation models). Алгоритм строит плотный 3D-морфологический каркас через интерполяцию оптического потока, что позволяет декодировать экспрессию генов на сетку с разрешением 8 мкм. Тестирование на обонятельной луковице и полушарии мозга мыши показало, что Spaceland успешно преодолевает молекулярные разрывы до 400 мкм и превосходит существующие методы интерполяции ST и 2D-прогнозирования. В экспериментах на регенерации планарий система позволила проводить анализ всего организма по четырем срезам Visium на стадию, выявляя динамическую пространственную перестройку нейронов. Технология открывает путь к созданию масштабируемых виртуальных моделей тканей и органов для изучения прогрессирования заболеваний и ответа на лекарственную терапию.

В исследовании представлена инновационная аналитическая платформа Spatial Fingerprints Analytics (SFinx), предназначенная для глубокого изучения пространственной транскриптомики (ST). Методология объединяет безреференсную деконволюцию, реконструкцию активности биологических путей и пространственный функциональный анализ данных (SFDA) для картирования локализованных взаимодействий в сложных тканях. При тестировании на наборах данных 10x Visium, полученных при изучении волчаночного нефрита у мышей, SFinx успешно реконструировал непрерывные ландшафты активности путей и фенотипов заболевания в срезах почек. Использование обобщенных аддитивных моделей с тензорными сплайнами позволило количественно оценить пространственно варьирующиеся связи между волчанкой и путями активации нейтрофилов, выявив как положительные, так и отрицательные корреляции, которые невозможно обнаружить стандартными методами bulk-анализа. Платформа обеспечивает интеграцию данных из нескольких срезов, учитывая специфическую вариативность каждого участка, и позволяет идентифицировать анатомически ограниченные воспалительные домены. Данный подход представляет собой универсальный инструмент для изучения механизмов аутоиммунных, онкологических и нейродегенеративных заболеваний на молекулярном уровне.

В исследовании представлен новый биоинформатический инструмент multiScaleAC, предназначенный для анализа пространственной транскриптомики и изучения взаимодействия клеток в опухолевом микроокружении. Авторы решают проблему предвзятости при выборе фиксированного радиуса взаимодействия, предлагая использовать расширенный индекс Морана с применением гауссова ядра и варьируемой шириной полосы пропускания (h). Методология позволяет анализировать взаимодействия на различных пространственных масштабах, используя функциональный анализ данных. В ходе симуляций метод продемонстрировал высокую статистическую мощность: показатель 1.00 при полосах пропускания более 5 для истинных взаимодействий. При тестировании на 8 образцах ткани толстой кишки (Visium) инструмент выявил профили лиганд-рецепторных взаимодействий с точностью 73.7%–87.2% по сравнению с методом spatialDM. Применение метода к данным по почечно-клеточной карциноме показало, что показатели функционального компонента 1 коррелируют с воздействием иммунотерапии: в стромальных тканях, подвергшихся лечению, наблюдался значительно более высокий уровень взаимодействий COL4A1-ITGAV. Это делает multiScaleAC важным инструментом для более точного понимания архитектуры тканей и ответа на терапию.

В исследовании представлена инновационная вычислительная токсикологическая платформа для изучения влияния пер- и полифторалкильных веществ (PFAS), в частности PFOS и PFHxS, на развитие псориаза. Авторы использовали комплексный подход, объединяющий транскриптомику воздействия на модели эпителиальных клеток, полученных из эмбриональных стволовых клеток человека, с данными секвенирования РНК единичных клеток (scRNA-seq) и пространственной транскриптомики. В ходе работы было установлено, что сигнатуры PFOS и PFHxS демонстрируют высокую степень конвергенции с воспалительными процессами при псориазе, затрагивая модули воспаления кератиноцитов, эпидермального стресса, цитоскелета и липидного обмена. С помощью метода виртуального возмущения (virtual perturbation), совместимого с моделью Geneformer, были идентифицированы ключевые эффекторы, такие как S100A9, S100A8, KRT16 и IL36G. Результаты пространственного анализа подтвердили локализацию этих программ именно в активированных кератиноцитах и воспалительных нишах эпидермиса. Данная работа закладывает основу для проверки гипотезы о связи стойких химических загрязнителей с хроническими воспалительными заболеваниями кожи на молекулярном уровне.

Исследователи разработали STORM (Spatial Topology analysis of Recurrent Motifs) — новый метод на основе графового вариационного автоэнкодера с механизмом внимания, который позволяет обнаруживать повторяющиеся архитектурные паттерны в опухолях без предварительной разметки типов клеток. В ходе исследования на базе 32 секций Xenium от 16 пациентов с колоректальным раком (EOCRC и AOCRC) было выявлено 10 рекуррентных мотивов, сформировавших макро-компартменты опухоли, стромы и иммунной системы. Ключевым открытием стал мотив десмопластического фиброзного барьера (DFB), богатый CAF и внеклеточным матриксом, который физически ограничивает доступ CD8+ Т-клеток к ядрам опухоли независимо от их общего количества. Установлено, что этот барьерный механизм более выражен при раннем начале заболевания (EOCRC), характеризуясь более плотной структурой и специфической программой активации матрикса. С помощью Vision Transformer модель STORM позволила транслировать эти пространственные мотивы в стандартные H&E-изображения, создав прогностический биомаркер, который эффективно предсказывает общую выживаемость пациентов в базе данных TCGA-COAD.

В исследовании представлен GHIST+ — инновационный фреймворк, предназначенный для полномасштабной реконструкции молекулярных состояний отдельных клеток на основе стандартных гистологических срезов (H&E). Основная проблема текущих технологий пространственной транскриптомики заключается в сложности масштабирования и разреженности данных, когда молекулярные измерения доступны лишь для ограниченных участков ткани. GHIST+ решает эту задачу путем интеграции клеточной морфологии, локального контекста ткани и общих представлений тканей, что позволяет преобразовывать разреженные данные микрочипов (TMA) в непрерывные молекулярные карты. Тестирование на различных типах рака и образцах тканей молочной железы из проекта GTEx подтвердило способность модели сохранять биологически значимую организацию, структуру типов клеток и возрастные изменения тканей. Технология позволяет масштабировать пространственное профилирование до уровня целых когорт пациентов, используя рутинную гистологию, что значительно снижает затраты и повышает доступность глубокого молекулярного анализа. Это открывает новые возможности для точной диагностики и персонализированной медицины на основе анализа стандартных медицинских препаратов.

Исследователи представили новый метод STITCH (Shape-TranscriptomIc Correlation and Harmonization), предназначенный для анализа взаимосвязи между формой клеток и их генетическим профилем в данных пространственной транскриптомики (ISS). В основе метода лежит использование тангенциального анализа главных компонент (TPCA) на многообразии форм Кендалла, что позволяет получить интерпретируемое представление о контурах клеток, не смешивая параметры формы и размера. В ходе тестирования на наборе данных Xenium метод STITCH превзошел подходы на базе глубокого обучения, успешно восстановив сложную слоистую организацию кератиноцитов и пространственный градиент эксцентриситета ядер. При анализе данных CosMx по меланоме метод выявил устойчивую связь между вытянутыми и треугольными фибробластами и их близостью к злокачественным клеткам, что коррелировало с программой миофибробластов. Кроме того, STITCH независимо подтвердил связь между мезенхимально-подобными состояниями злокачественных клеток и увеличением их площади в двух когортах пациентов. Данная технология открывает новые возможности для интерпретируемого анализа морфологических и транскриптомных взаимосвязей на различных платформах пространственной биологии.

В статье представлен SNMF (Spatial Non-negative Matrix Factorization) — новый метод деконволюции для пространственной транскриптомики, решающий проблему смешивания нескольких типов клеток в одной «точке» (spot). В отличие от существующих подходов, SNMF является безреференсным методом, что исключает необходимость в предварительно сопоставленных данных секвенирования РНК единичных клеток (scRNA-seq). Авторы интегрировали в стандартную модель NMF матрицу пространственного смешивания, которая учитывает влияние соседних участков ткани для достижения биологически согласованных результатов. Ключевым преимуществом является поддержка GPU-вычислений, что позволяет методу работать на два порядка быстрее конкурентов, завершая бенчмарки менее чем за одну минуту. Тестирование на синтетических и реальных данных, включая образцы меланомы человека, показало значительное превосходство SNMF в точности определения типов клеток. В частности, алгоритм успешно идентифицировал биологически значимые сигнатуры, такие как переходная зона на границе опухоли, без использования эталонных данных. Инструмент реализован в виде R-пакета и доступен в открытом доступе.

Исследователи представили STiLE — инновационный программный инструмент для автоматизации процесса деарреинга (разделения) тканевых микрочипов (TMA), что является критическим этапом в пространственной транскриптомике. В отличие от существующих методов, работающих с гистологическими изображениями, STiLE использует исключительно координаты центроидов клеток, что делает его устойчивым к артефактам окрашивания и неравномерному освещению. Методология алгоритма объединяет детекцию компонентов на основе связности, плотностное кластерирование HDBSCAN и слияние кластеров с направляющими компонентами. Валидация на 11 публичных образцах TMA (от 50 до 150 ядер на слайде) показала исключительно высокую точность с показателем ARI > 0,99. Системное тестирование на 396 синтетических наборах данных с реалистичными артефактами подтвердило средний ARI на уровне 0,992. Инструмент является платформонезависимым и совместим с ведущими технологиями, такими как Vizgen MERSCOPE, 10x Xenium и NanoString CosMx, поддерживая форматы AnnData и CSV. Наличие интерактивного интерфейса Streamlit позволяет исследователям легко настраивать параметры и проводить визуальный контроль больших объемов данных.

В статье представлен Allos — новый программный фреймворк на языке Python, разработанный для решения критической проблемы в современной транскриптомике: потери данных об альтернативном сплайсинге при анализе на уровне генов. Большинство существующих методов объединяют транскрипционное разнообразие в общие показатели экспрессии генов, что скрывает важную информацию об использовании изоформ. Allos базируется на модели данных AnnData и обеспечивает нативную поддержку количественной оценки на уровне транскриптов, интегрируясь с аннотациями GTF/GFF и FASTA. Инструментарий позволяет проводить скрининг дифференциального использования изоформ, структурную интерпретацию транскриптов и анализ на уровне белков для данных bulk, single-cell и пространственной транскриптомики. Благодаря совместимости с экосистемой scverse, Allos позволяет объединять анализ изоформ с уже установленными рабочими процессами на уровне генов. Проект является открытым (open-source) и доступен на GitHub, предоставляя пользователям модульную архитектуру для работы как с длинными, так и с короткими прочтениями (long-read и short-read sequencing).

В статье представлен CosMxScope — новый легковесный open-source фреймворк на языке Python, предназначенный для интеграции данных пространственной транскриптомики с инструментами цифровой патологии. Проблема исследования заключается в несовместимости сложных выходных данных платформы CosMx SMI (координаты субклеточных транскриптов, сегментация клеток и тайлы изображений) с общепринятым программным обеспечением для гистопатологии. Разработанное решение позволяет осуществлять автоматическую сшивку (stitching) фрагментов изображений в полноразмерные слайды (WSI) и конвертировать полигоны сегментации клеток в формат GeoJSON для последующего анализа в среде QuPath. Фреймворк обеспечивает визуализацию паттернов экспрессии генов, локализации транскриптов и типов клеток непосредственно на морфологическом фоне. Использование CosMxScope в текущих исследовательских проектах на тканях человека и мышей подтверждает его эффективность для трансляционных исследований. Инструмент значительно упрощает рабочий процесс пространственного анализа, объединяя молекулярные профили с клеточной морфологией.

Исследователи представили TRINUS — новую модель самообучения (self-supervised model), предназначенную для анализа пространственной транскриптомики. Основная инновация метода заключается в генеративном разделении внутренней идентичности клеточной линии и внешнего влияния микроокружения (нишевого давления). TRINUS использует библиотеку контекстно-свободных прототипов клеток для изоляции генетической программы, одновременно моделируя кооперативные зависимости между соседними клетками. В ходе тестирования на синтетических данных модель продемонстрировала превосходство над существующими методами в задачах кластеризации клеток и обнаружения пространственных доменов. Применение TRINUS на данных колоректального рака позволило картировать паттерны взаимодействий в масштабе всей ткани, а исследования мышиного органогенеза выявили специфические для стадий сигнальные зависимости. Особую значимость представляет возможность двунаправленного in silico проектирования: в микроокружении опухолей яичников модель смогла предсказать молекулярные модификации макрофагов, способные восстановить функцию соседних Т-клеток. Таким образом, TRINUS становится мощным инструментом для предиктивного тканевого инжиниринга и понимания механизмов клеточной коммуникации.

В исследовании представлен TMEformer — инновационный фреймворк глубокого обучения, специально разработанный для анализа опухолевого микроокружения с учетом пространственного контекста. В отличие от существующих моделей, TMEformer использует данные пространственной транскриптомики высокого разрешения для совместного моделирования программ опухолевых клеток и сигналов локального микроокружения. Методология позволяет проводить виртуальные пертурбации (in silico), что дает возможность моделировать функциональные зависимости внутри клеточных экосистем. Валидация на различных когортах показала, что модель превосходит базовые предобученные системы в прогнозировании ключевых переходов, таких как пластичность клеточных линий и возникновение резистентности к терапии. В ходе систематического анализа были выявлены как известные регуляторы, так и новые потенциальные мишени среди транскрипционных факторов и лигандов микроокружения. Использование TME-эмбеддингов значительно улучшает пространственную стратификацию опухолевых клеток, обеспечивая высокую точность соответствия патологической архитектуре тканей.