пространственная транскриптомика

В статье представлен DeSpotX — инновационная глубокая генеративная модель, разработанная для решения критической проблемы пространственной транскриптомики (ST): загрязнения сигналов экспрессии генов между соседними клетками. Авторы предлагают использовать так называемые «якорные гены» (гены, которые не экспрессируются в конкретном кластере клеток), чтобы сделать процесс разделения нативного сигнала и загрязнения математически однозначным (identifiable). Методология DeSpotX включает использование пространственной информации через взвешенное по расстоянию усреднение соседей и применение обучаемого диффузионного априорного распределения для предотвращения чрезмерной коррекции низкоуровневых сигналов. В ходе симуляций на пяти наборах данных и четырех платформах ST модель показала превосходные результаты с показателем AUROC >0.94, превзойдя лучшие существующие методы на 0.02–0.12 пункта. При тестировании на реальных тканях (мозг мыши и рак молочной железы) метод продемонстрировал повышение специфичности маркерных генов и более точную реконструкцию сетей межклеточной коммуникации. Исследование подтверждает, что итеративное использование DeSpotX позволяет значительно точнее определять источники лиганд-рецепторных сигналов, что критически важно для точной биологической интерпретации данных.

Исследователи представили minkiPy — новый геометрический фреймворк на языке Python, предназначенный для анализа пространственной транскриптомики. Библиотека позволяет вычислять компактные профили морфологических и топологических дескрипторов для каждого гена на основе функционалов и тензоров Минковского. Это решает критическую проблему сравнения паттернов экспрессии генов внутри одного образца и между различными условиями. Методология позволяет ранжировать гены по степени их пространственной реорганизации, создавая единое пространство признаков для анализа. В ходе тестирования minkiPy был применен к набору данных MERFISH для культур миобластов при лицелопатно-плечевой мышечной дистрофии, а также к данным Visium HD для сравнения тканей колоректального рака и прилегающих здоровых тканей. Инструмент является open-source решением и может значительно ускорить интерпретацию сложных пространственных данных в биомедицинских исследованиях.

Исследователи представили крупнейший на сегодняшний день мультиомный датасет нейроэндокринных опухолей легкого (lung NETs), охватывающий 201 участника и 294 опухоли. В состав набора данных включены результаты секвенирования РНК, метилирования (EPIC 850K) и полногеномного секвенирования, что позволяет детально изучать молекулярные группы новообразований. Особую ценность представляет мультирегиональное полногеномное секвенирование 41 пациента для оценки внутриопухолевой гетерогенности, а также пространственная протеомика (64 участника) и пространственная транскриптомика (4 участника). Набор также содержит гистопатологические изображения (WSI) для 212 случаев, что открывает возможности для использования алгоритмов глубокого обучения (deep learning) для идентификации морфологических признаков конкретных молекулярных групп. Данный ресурс предназначен для комплексной характеристики опухолей и интеграции данных на различных масштабах, обеспечивая воспроизводимость исследований благодаря предоставлению всех скриптов и обработанных данных.

В данной работе представлен spDDB — комплексная платформа для сравнительного анализа методов пространственной деконволюции и определения пространственных доменов. Исследователи провели масштабное тестирование, охватившее 21 метод деконволюции и 18 методов детекции доменов на базе 37 наборов данных, включающих ткани мозга, раковые опухоли и другие органы, полученные с помощью четырех различных технологий. Для обеспечения точности оценки был разработан новый симулятор SynthST на основе глубокого графового автоэнкодера с механизмом внимания, способный генерировать реалистичные распределения типов клеток. Результаты показали, что Cell2location, RCTD и SONAR являются наиболее эффективными инструментами для деконволюции, однако их точность сильно зависит от архитектуры ткани и масштаба данных. В задачах детекции доменов лидерами были признаны PROST, BASS и SpaceFlow, при этом выявлены серьезные ограничения существующих алгоритмов при работе с крупномасштабными наборами данных. Работа завершается практическими рекомендациями по выбору оптимальных вычислительных методов в зависимости от конкретных экспериментальных условий и используемых технологий пространственной транскриптомики.

В данной работе представлен GatorDuo — инновационный фреймворк на основе самообучения с контрастивным двойным графом, предназначенный для точной идентификации пространственных доменов в пространственной транскриптомике (ST). Авторы решают проблему ненадежного построения соседств в графах, вызванную разреженностью данных и техническим шумом, что часто приводит к появлению ложных связей между доменами. Методология GatorDuo включает механизм уточнения графа на основе глобальной согласованности и использование маски согласия псевдометок для подавления ошибочных ребер. Для автоматического выбора детализации кластеризации применяется стратегия обучения с подкреплением (контекстуальные многорукие бандиты), что исключает необходимость ручной настройки. Объединение представлений реализовано через модуль Mixture-of-Experts (MoE) с гибридной маршрутизацией. Тестирование на восьми публичных бенчмарках (от spot- до single-cell разрешения) показало, что GatorDuo превосходит десять существующих базовых моделей по ключевым метрикам кластеризации, обеспечивая высокую устойчивость к шуму и создавая информативные эмбеддинги для последующего биологического анализа.

Представлен новый модульный фреймворк STAPLE, разработанный для решения проблемы фрагментации рабочих процессов в анализе пространственной транскриптомики. Традиционные методы анализа часто требуют использования разрозненных инструментов для типирования клеток, определения их окружения и изучения межклеточной коммуникации, что затрудняет масштабируемость и воспроизводимость. STAPLE объединяет эти разрозненные этапы в единую систему с унифицированными структурами данных, позволяя проводить сквозной анализ (end-to-end) с помощью одной команды. Ключевой инновацией является интеграция интеллектуального уровня отчетности на базе ИИ, который синтезирует количественные результаты в структурированные биологические резюме. Это значительно упрощает интерпретацию сложных данных и автоматизирует процесс извлечения биологических смыслов. Инструмент направлен на повышение строгости и воспроизводимости исследований в области пространственной биологии.

Представлен Odon — высокопроизводительный десктопный инструмент на языке Rust, разработанный для интерактивного исследования мультиплексных данных пространственной протеомики и транскриптомики. Программа оптимизирована для работы с форматом OME-Zarr и поддерживает потоковую передачу данных из облачных хранилищ (HTTP, S3) с использованием тайлового метода загрузки. В ходе бенчмарков Odon продемонстрировал исключительную скорость: загрузка 32 ГБ изображения (36-plex whole-slide) заняла менее 1 секунды, что в 10 раз быстрее QuPath (10,14 сек) и в 35 раз быстрее Napari (35 сек). Благодаря GPU-ускоренному конвейеру композиции, инструмент обеспечивает плавную визуализацию более чем 1 000 000 сегментированных клеток, преодолевая ограничения существующих решений. Функционал включает живое пороговое управление (thresholding), выбор клеток и режим мозаики для одновременного анализа сотен областей интереса в когортных исследованиях. Это делает Odon критически важным инструментом для быстрой детекции артефактов окрашивания и масштабируемого анализа пространственных данных в современной биомедицине.

В исследовании представлен масштабный унифицированный датасет пространственной транскриптомики, полученный с помощью платформы Stereo-seq. Авторы проанализировали 10 различных органов мыши, включая мозг, почки, легкие, тимус, кишечник, кожу, селезенку, яичники, семенники и матку, охватив 23 среза тканей на 21 чипе. Каждая выборка сопровождается соответствующими изображениями окрашивания ssDNA или гематоксилином и эозином (H&E). Датасет включает матрицы экспрессии с разрешением на уровне отдельных клеток (cell-bin) или квадратных бинов размером 50 мкм (bin-50), а также аннотации типов клеток. Исследование подтвердило надежность аннотаций через согласованность данных в разных срезах тканей и соответствие каноническим паттернам экспрессии маркерных генов. Сравнение показало преимущество разрешения cell-bin для точной аннотации типов клеток. Данный ресурс служит стандартизированной базой для разработки новых методов пространственной транскриптомики, бенчмаркинга и мультимодального анализа с применением глубокого обучения.

Исследование представляет новый геометрически-ориентированный фреймворк для приоритизации лиганд-рецепторных (LR) взаимодействий в данных пространственной транскриптомики. Авторы разработали метод, который позволяет математически разделить два часто смешиваемых понятия: коммуникацию, происходящую на границах клеточных популяций (интерфейсах), и истинную пространственную локализацию экспрессии. Методология включает использование взвешенного по расстоянию показателя границ на графе пространственных соседей и модели нулевой гипотезы с перестановкой меток для сохранения геометрии ткани. При тестировании на наборах данных рака молочной железы, колоректального рака, меланомы и аденокарциномы поджелудочной железы было показано, что учет геометрии существенно меняет ранжирование путей, связанных с внеклеточным матриксом, адгезией и иммунным ответом. Вместо дискретных режимов коммуникации модель выявила непрерывный континуум пространственных ограничений, определяемых архитектурой ткани. Это исследование критически важно для точной интерпретации клеточного взаимодействия в микроокружении опухоли и предотвращения ложных выводов о локализации сигнальных молекул.

Исследователи представили Halo — инновационную предобученную модель, предназначенную для решения критической проблемы пространственной транскриптомики: точной сегментации границ целых клеток при наличии только изображений ядер. Методология Halo основана на интеграции морфологии ядер с пространственным распределением РНК-транскриптов, где координаты транскриптов преобразуются в карты молекулярной плотности. Эти карты обрабатываются совместно с DAPI-изображениями с использованием архитектуры сегментации Cellpose-SAM. Модель прошла предварительное обучение на мультимодальных данных Xenium, охватывающих 12 различных типов тканей, что позволяет использовать её напрямую на новых наборах данных без необходимости дополнительного обучения. Результаты показывают, что Halo значительно превосходит стандартную стратегию «расширения ядер» (nuclear expansion), обеспечивая более высокое соответствие истинным границам клеток и точность назначения РНК конкретным клеткам. Применение Halo позволяет получать более надежные данные для идентификации типов клеток и точной оценки их морфологических признаков, делая процесс сегментации масштабируемым и воспроизводимым.

В исследовании представлен новый вычислительный фреймворк для пространственного вывода регуляторных программ, предназначенный для глубокого анализа меланомы. Авторы решают проблему разделения данных: пространственная транскриптомика (ST) дает информацию об архитектуре ткани, но не о регуляции, а мультиомные методы на уровне единичных клеток не сохраняют пространственный контекст. Предложенный метод интегрирует данные Visium ST с данными single-cell multiome, используя пространственно-регуляризованное картирование «клетка-пятно» (cell-to-spot mapping) на базе алгоритма GraphST. В ходе работы исследователи успешно перенесли данные о доступности хроматина и активности мотивов транскрипционных факторов непосредственно в тканевое пространство. Применение фреймворка к образцам меланомы позволило выявить локализованные в пространстве регуляторные программы, которые ранее были недоступны. Результаты показывают, что стратегия назначения клеток критически влияет на стабильность последующего регуляторного анализа. Данный модульный подход обеспечивает интерпретируемые данные на уровнях генов, пиков и транскрипционных факторов, что имеет высокую значимость для точной диагностики и понимания микроокружения опухоли.

Исследование представляет инновационный метод интеграции различных базовых моделей (foundation models) для компьютерной патологии с целью преодоления ограничений их индивидуальной специализации. Авторы разработали фреймворк, который использует легковесную весовую сеть для адаптивного объединения эмбеддингов нескольких моделей, преобразуя их в единые предсказания на уровне генов и пространственных локаций. Методология опирается на данные пространственной транскриптомики, что позволяет сопоставлять генетическую и морфологическую информацию из одного и того же образца ткани. В ходе тестирования на наборах данных пространственной транскриптомики предложенный подход продемонстрировал превосходство над отдельными моделями и классическими методами ансамблирования. Применительно к раку молочной железы система показала значительный рост точности предсказания клинически важных маркеров подтипов PAM50 и генов, являющихся мишенями для лекарственных препаратов. Кроме того, архитектура повышает интерпретируемость результатов, выявляя специфический вклад каждой модели в зависимости от анализируемого гена. Данная работа открывает новые возможности для высокоточной молекулярной диагностики на основе стандартных гистологических изображений.

В исследовании представлена инновационная система Cell Positioning System (CPS) — фреймворк на основе неявных нейронных представлений, предназначенный для решения проблем разреженности данных и низкого соотношения сигнал/шум в пространственной транскриптомике. Авторы используют стратегию привилегированной многомасштабной дистилляции контекста, где обучающая сеть (teacher network) с механизмом внимания к биологическим нишам передает структурные знания сети-ученику (student network). Это позволяет генерировать высокоточные карты экспрессии генов, используя только пространственные координаты на этапе инференса, без необходимости в сложной регистрации изображений. Тестирование на наборе данных DLPFC показало, что CPS достигает передовых результатов (SOTA) в задачах импутации (восполнения) и денойзинга (очистки от шума) генной экспрессии. Система также способна выполнять супер-разрешение, восстанавливая детали анатомии мозга мыши, и обеспечивает интерпретируемость, определяя эффективный масштаб биологических взаимодействий в тканях рака молочной железы человека. Важным преимуществом является линейная вычислительная сложность, что делает CPS масштабируемым для работы с крупномасштабными биологическими наборами данных.

В статье представлен STAnalyzer — инновационная мультиагентная интеллектуальная платформа, предназначенная для автоматизации полного цикла анализа данных пространственной транскриптомики. Разработка решает проблему фрагментированных инструментов и сложности интерпретации многомерных данных, которые часто становятся когнитивным барьером для исследователей. Архитектура системы базируется на трех ключевых принципах: оркестрации на основе намерений (перевод естественного языка в биоинформатические рабочие процессы), мультимодальном самосовершенствовании (автономная проверка через визуальные паттерны и статистические метрики) и кросс-валидации на основе доказательств (сопоставление корреляций с биологическими базами данных). В отличие от существующих LLM-агентов, STAnalyzer преодолевает проблему жесткой логики исполнения и изоляции от биологических знаний, обеспечивая замкнутый цикл самокоррекции. Использование данной платформы позволяет трансформировать массивные пространственные омиксные данные в верифицируемые биологические инсайты, значительно ускоряя процесс выдвижения гипотез и делая высокоразрешающий анализ доступным для широкого круга ученых.

Исследователи представили ClumPyCells — новый статистический фреймворк для анализа пространственной организации клеток в тканях с коррекцией на морфологические различия. Ключевая проблема, которую решает инструмент: различия в размерах клеток вводят значительные смещения при количественной оценке агрегации клеток или их молекулярных признаков, что может приводить к ошибочным интерпретациям данных пространственной транскриптомики и протеомики. Методология включает алгоритмы, позволяющие измерять агрегацию клеток и маркеров в ткани, одновременно корректируя влияние размера морфологии и исключая мешающие типы клеток или не связанные с исследованием области ткани. Валидация проводилась на нескольких типах опухолей, включая меланому и колоректальный рак, демонстрируя способность инструмента выявлять новые паттерны и структуры ткани без морфологических помех. Это имеет практическое значение для онкологических исследований, где точное понимание пространственной организации клеток критично для понимания развития опухоли, гомеостаза и патогенеза заболеваний. Инструмент позволяет исследователям интерпретировать пространственную агрегацию, обходя помехи от интерферирующих типов клеток.

Исследование представляет scMagnifier — фреймворк консенсус-кластеризации для анализа данных одноядерного секвенирования РНК (scRNA-seq), который решает проблему выявления тонких подтипов клеток, чьи транскрипционные различия часто маскируются техническим шумом и разреженностью данных. Методология включает генерацию in silico возмущений кандидатных транскрипционных факторов (TF), распространение эффектов возмущений через кластер-специфичные сети регуляции генов (GRN) для симуляции профилей экспрессии после возмущения, и интеграцию результатов кластеризации across множественных возмущений в стабильные назначения подтипов. Дополнительно разработан rpcUMAP — визуализация, aware возмущений, обеспечивающая четкое разделение между подтипами клеток и помогающая выбрать оптимальное число кластеров. В бенчмарках как для single-batch, так и multi-batch данных scMagnifier последовательно улучшает разрешение и точность идентификации тонких типов клеток. При интеграции со методами пространственной кластеризации, такими как STAGATE, метод совместим с рабочими процессами пространственной транскриптомики и эффективно выявляет подтипы опухолевых клеток и их пространственную организацию в раке яичников. Это имеет значимость для персонализированной онкологии, позволяя точнее классифицировать опухолевые популяции для таргетной терапии.

Исследователи представили новый метод scCChain — фреймворк на основе трансформерных нейросетей для анализа пространственной транскриптомики. Метод интегрирует активность лиганд-рецепторов в пространственно разрешённые программы коммуникации клеток и локализует горячие точки на уровне отдельных клеток и пространственных пятен. scCChain использует структурированное снижение размерности для выявления кандидатов программ, затем применяет взвешенные случайные блуждания по графу клеток для формирования цепочек коммуникации. Трансформерная модель оценивает цепочки, приоритезируя биологически значимые программы и определяя зоны повышенной активности. Метод применён к данным пространственной транскриптомики рака молочной железы человека, показав способность выявлять опухолевые программы с ангиогенной сигнализацией в инвазивных зонах. В данных на основе визуализации метод определил горячие точки коммуникации CXCL12-CXCR4 на клеточном уровне. Исследование демонстрирует интерпретируемость и точность цепочечного трансформерного моделирования для анализа сложных тканей. Метод позволяет как разведывательный поиск новых программ коммуникации, так и целевой анализ конкретных пар лиганд-рецептор.