пространственная биология

Представлена GatorPrism — инновационная архитектура на основе смеси экспертов (Mixture-of-Experts), использующая самообучение и коалиционные графы для интеграции пространственных мультиомиксных данных. Методология системы позволяет разделять общий консенсус между различными омиксными слоями и специфические сигналы каждой модальности, адаптируя их вклад в зависимости от конкретной локации в ткани. В рамках модели совместный эксперт кодирует консенсусный граф на основе пересечений, а частные эксперты фиксируют уникальные пространственно-молекулярные структуры, при этом маршрутизатор на основе прототипов назначает веса для каждой точки ткани. В ходе тестирования на восьми наборах данных GatorPrism продемонстрировала превосходство над девятью конкурирующими методами по девяти метрикам кластеризации. Исследование на тканях миндалевидного железа человека подтвердило точность выделения доменов через соответствие маркерам RNA и ADT, а анализ эмбрионального мозга мыши выявил анатомически локализованные состояния, подтвержденные данными транскриптомики и доступности хроматина. Данная разработка обеспечивает высокую интерпретируемость и точность при изучении того, как молекулярные сигналы организуют структуру тканей.

Исследователи представили SPgen — инновационную мультимодальную платформу на базе фундаментальных моделей, предназначенную для предсказания пространственного распределения белков в тканях. В отличие от существующих методов, которые ограничены анализом лишь малого количества белков, SPgen интегрирует белковые последовательности, функциональные аннотации, транскриптомные профили и пространственные данные для создания универсальных представлений. Методология позволяет модели выходить за рамки экспериментально измеренных панелей белков, обеспечивая протеомно-широкое предсказание. В ходе тестирования на различных наборах данных пространственной протеомики модель продемонстрировала высокую точность реконструкции пространственных паттернов и эффективное снижение уровня измерительного шума. Данная технология имеет критическое значение для понимания функций тканей, механизмов заболеваний и оценки терапевтического ответа, значительно снижая стоимость и расширяя возможности высокопроизводительного анализа без необходимости дорогостоящих экспериментов.

В исследовании представлен STAMO — инновационная модель на основе графовых нейронных сетей с механизмом внимания (graph attention neural network), предназначенная для интеграции пространственных мультиомиксных данных. Основная проблема существующих методов заключается в игнорировании пространственной информации при работе с непарными срезами тканей, что ведет к ошибкам при сопоставлении различных омиксных слоев. STAMO успешно решает эту задачу, обеспечивая точное выравнивание эмбеддингов и идентификацию консенсусных пространственных доменов. Методология была протестирована на различных типах данных, включая пространственный эпигеном, транскриптом, ДНК и белки. Результаты бенчмаркинга на парах эпигеном-транскриптом подтвердили превосходство STAMO над современными аналогами (state-of-the-art). Кроме того, модель позволяет осуществлять кросс-омиксную генерацию данных, что открывает новые возможности для изучения механизмов генной регуляции в специфических пространственных регионах тканей. Это имеет критическое значение для прецизионной медицины и понимания молекулярной архитектуры заболеваний.

В исследовании представлен новый программный инструмент SPARQ-MI (Spatial Phenotyping, Architecture Reconstruction and Quantification from Multiplexed Imaging), предназначенный для автоматизированного анализа микроокружения опухолей (TME) на основе мультиплексной флуоресцентной визуализации. Методология решает критические проблемы текущих методов: неравномерное распределение шума в сложных тканях и трудоемкую ручную аннотацию типов клеток. Авторы протестировали систему на наборе данных тканевых микрочипов PhenoCycler, включающем 37 флуоресцентных каналов, полученных от пациентов с меланомой, проходящих иммунотерапию. Результаты показали, что SPARQ-MI позволяет проводить надежную реконструкцию клеточного состава и пространственной архитектуры тканей с минимальным участием пользователя. Ключевым клиническим выводом стало обнаружение прямой связи между пространственным расположением и функциональным состоянием CD8+ Т-клеток с эффективностью ответа на иммунотерапию. Данная разработка значительно упрощает количественный анализ сложных гистологических образцов и открывает путь к стандартизированной диагностике клинических биоматериалов.

В данной научной работе представлен новый статистический рабочий процесс (workflow) для обнаружения дифференциально представленных аналитов в экспериментах масс-спектрометрической визуализации (MSI) со сложным дизайном. Исследование фокусируется на критических аспектах обработки сигналов, выборе областей интереса (ROI) и методологии статистического анализа для выявления пространственной гетерогенности молекул. Авторы протестировали предложенный метод на гистологических образцах плато большеберцовой кости человека, сравнивая пациентов с остеоартритом и контрольную группу (кадавры), а также на симулированных наборах данных. Результаты демонстрируют, что правильная агрегация признаков и предварительная обработка сигналов позволяют сохранить биологическую релевантность и снизить строгость поправки на множественную проверку гипотез. В статье проводится сравнительный анализ различных статистических моделей и обосновывается важность использования репликации для корректной интерпретации данных. Итогом работы является открытая реализация на языке R, которая позволяет исследователям стандартизировать процесс анализа и проводить расчет необходимого размера выборки для последующих клинических исследований.