מאמר שיטה

סבב עבודה מעשי לניתוח נתוני טרנסקריפטומיקה מרחבית: מרכישת נתונים ועד לניתוחים מתקדמים

DOI:

10.3791/70188

⸱

21 באוגוסט 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1Rehabilitation Medicine Center, The First Affiliated Hospital with Nanjing Medical University, 2Department of Neurology, The First Affiliated Hospital with Nanjing Medical University, 3School of Rehabilitation Medicine, Nanjing Medical University

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול זה מציג זרימת עבודה הניתנת לשחזור לניתוח נתוני טרנסקריפטומיקה מרחבית (spatial transcriptomics), ומנחה את המשתמשים החל מרכישת נתונים ציבוריים ובקרת איכות מבוססת Seurat, דרך אינטגרציה, זיהוי מאפיינים מרחביים, דה-קונבולוציה של סוגי תאים, אנוטציה של אזורי עניין (ROI) וניתוח תקשורת בין-תאית, כולל נקודות ביקורת מעשיות התומכות בביצוע שקוף.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

טרנסקריפטומיקה מרחבית (ST) ממתה את הביטוי הגני ברחבי הגנום תוך שמירה על ההקשר המרחבי הדו-ממדי של מולקולות mRNA בתוך חתוכי רקמה, דבר המאפשר מחקר של ארכיטקטורת הרקמה וביולוגיה הקשורה למיקרו-סביבה. עם זאת, ניתוח ST נותר מאתגר מכיוון שייבוא נתונים, בקרת איכות, אינטגרציה, דקונבולוציה (deconvolution), סטטיסטיקה מרחבית וויזואליזציה דורשים לעיתים קרובות סביבות תוכנה מרובות ובחירות פרמטרים הניתנות לשחזור. פרוטוקול זה מציג זרימת עבודה חישובית מעשית עבור מאגרי נתוני ST ציבוריים ב-R, המתחילה ברכישת נתונים והגדרת התוכנה וממשיכה בטעינת נתונים מבוססת Seurat, בקרת איכות, נורמליזציה, אינטגרציה של מספר דגימות, אשכול (clustering) וניתוח גנים בעלי שונות מרחבית. זרימת העבודה מיישמת לאחר מכן אסטרטגיות דקונבולוציה משלימות, כולל ניתוח SPOTlight מונחה-ייחוס ומודל נושאים (topic modeling) של STdeconvolve ללא פיקוח, ולאחריהם ניתוח תקשורת בין-תאית מרחבית מבוסס Giotto ובחירה אינטראקטיבית של אזורי עניין (ROI) באמצעות אפליקציית Python Dash מותאמת אישית. על ידי דגש על ביצוע מבוסס סקריפטים, נימוקים מפורשים לפרמטרים, פלטים צפויים ונקודות בדיקה לפתרון בעיות, הפרוטוקול מספק מסגרת גמישה עבור מאגרי נתוני ST סטנדרטיים מבוססי מערכים ופלטפורמות קשורות, לאחר הערכת פרמטרים ספציפיים למאגרי הנתונים ולפלטפורמה.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

טרנסקריפטומיקה מרחבית (ST) היא משפחה טרנספורמטיבית של טכנולוגיות המודדות ביטוי גנים ברחבי הגנום תוך שמירה על הקואורדינאטות המרחביות של מולקולות RNA שליח (mRNA) בתוך חתכי רקמה. שיטות ST כוללות גישות מבוססות ריצוף המשתמשות במערכי ברקודים לפי מיקום, וגישות דימוי in situ הממפות אותות שעתוק בתוך מיקרו-סביבות רקמה שלמות1,2. על ידי שימור ההקשר המרחבי, ST מאפשרת ניתוח של ארכיטקטורת הרקמה, ארגון השכנויות התאיות, תקשורת בין תאים ותהליכים ביולוגיים הקשורים למיקרו-סביבה שאינם ניתנים לפתרון מלא לאחר פירוק הרקמה3.

הצמיחה המהירה של מאגרי נתונים ציבוריים של ST יצרה הזדמנויות חסרות תקדים לניתוח משני ולפיתוח שיטות3. משאבים כגון מאגר הנתונים CROST מאחצרים מאות מערכי נתונים של טרנסקריפטומיקה במטרה מרחבית (spatially resolved transcriptomic) על פני מינים רבים ופלטפורמות טכנולוגיות שונות, בעוד שאוספים מתמחים כמו STOmicsDB מתמקדים במתודולוגיות ספציפיות כגון Stereo-seq4,5. למרות שפע זה של נתונים, הניתוח החשובי נותר מאתגר בשל המורכבות של מבני נתונים מרחביים, המגוון של כלי ניתוח והמכשולים הטכניים במימוש של זרימות עבודה (workflows) הדירות6,7,8,9,10,11.

כדי להתגבר על המגבלות הנובעות מהסתמכות על סביבת תוכנה אחת, מוצג כאן זרימת עבודה חישובית משולבת המשתמשת בכלים אנליטיים משלימים. מערכות קומפלהנסיביות קיימות לניתוח ST כוללות בעיקר את Seurat, Giotto ומסגרות מבוססות Python כגון Squidpy6,7,12. למרות שכלים מבוססי Python כמו Squidpy מציעים פונקציונליות נרחבת לניתוח גרפים מרחביים, איחוד צינור העיבוד החישובי המרכזי בתוך סביבת שפת תכנות אחת מצמצם מכשולים טכניים הנובעים ממעבר בין שפות. כתוצאה מכך, צינור העיבוד המרכזי מיושם בעיקר ב-R כדי להפחית מכשולים טכניים בין-שפתיים. בתוך זרימת עבודה זו המבוססת על R, נעשה שימוש ב-Seurat לצורך טעינת נתונים, בקרת איכות, נורמליזציה, הפחתת ממדיות, ויזואליזציה ואינטגרציה של מספר דגימות, מה שמשקף את השימוש הנפוץ בו בזרימות עבודה של טרנסקריפטומיקה מרחבית וחד-תאית. לאחר מכן, נעשה שימוש ב-Giotto לבניית רשת מרחבית ולניתוח תקשורת בין-תאית המבוססת על ליגנד-רצפטור. לפיכך, צינור עיבוד זה מקשר בין עיבוד מקדימ ואינטגרציה מבוססי Seurat לבין ניתוח מרחבי מבוסס Giotto, תוך שמירה על העברת נתונים מפורשת וניתנת לשחזור בין שני סטים של כלים.

במסגרת זו, מיושמות שתי אסטרטגיות דה-קונבולוציה (deconvolution) משלימות: SPOTlight, שיטה מונחית-רפרנס המשתמשת בנתוני scRNA-seq להערכת פרופורציות של סוגי תאים, ו-STdeconvolve, שיטת מידול נושאים (topic-modeling) לא-מפוקחת המזהה תבניות שחזור שחלומיות (latent transcriptional patterns)8,11. התוצאות מספקות מבטים משלימים של הטרוגניות תאית מרחבית, אך אינן נחשבות כאישוש כמותי (quantitative cross-validation) אלא אם המשתמשים מבצעים את ניתוח התאימות האופציונלי המתואר בפרוטוקול. אפליקציית Python Dash מותאמת אישית, Select Spatial Spots, משולבת לצורך סימון אינטראקטיבי של אזורי עניין (ROI) ומייצאת קבצי סימון סטנדרטיים מבוססי קואורדינטות שניתן להשתמש בהם בניתוחים המשכיים (downstream analyses).

בכל הנוגע ליישום מעשי, זרימת עבודה זו מיועדת בעיקרה לנתוני ST סטנדרטיים מבוססי מערך (למשל, Visium ברזולוציה של 55 µm), וייתכן שניתן יהיה להתאימה לסוגי רקמות אחרים לאחר הערכת פרמטרים. יש לשקול מגבלות מרכזיות לפני ביצוע האנליזה. ראשית, מודול הדה-קונוולוציה (deconvolution) המונחה על ידי רפרנס תלוי ברפרנס scRNA-seq איכותי המותאם לרקמה. שנית, פלטפורמות ברמה התת-תאית או קרובות לרזולוציה של תא בודד עשויות לדרוש עיבוד מקדימ (pre-processing) שונה, אגרגציה של סלילים מרחביים (spatial bin aggregation), או סגמנטציה של תאים מבוססת תמונה לפני האינטגרציה2. מערך הנתונים המייצג של מעי גס של עכבר משמש כמקרה הדגמה כדי להראות כיצד זרימת העבודה יכולה להעריך דומיינים מרחביים וארגון רקמה המוגדר על ידי מרקרים, ולא כהוכחה לתאימות אוניברסלית של הפלטפורמה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כל מאגרי הנתונים הביולוגיים שנותחו בפרוטוקול זה זמינים לציבור ומשמשים אך ורק לצורכי הדגמה. מספרי גישה ספציפיים למאגרי נתונים ומאגרי המקור מסופקים בשלבים הרלוונטיים. מאגרי הנתונים המקוריים הופקו על ידי החוקרים המקוריים בהתאם להנחיות האתיקה המוסדיות החלות על כל מחקר מקור. עיין בטבלת החומרים כדי לוודא את גרסאות התוכנה וחבילות ה-R הנדרשות.

דרישות חומרה: הזיכרון החישוב הרשמי הנדרש עבור תהליך עבודה זה משתנה בהתאם למספר הדגימות והנקודות (spots) המנותחות. עבור מערך נתונים טיפוסי של טרנסקריפטומיקה מרחבית (למשל, כ-3,000 נקודות לדגימה עבור עד שלוש דגימות), תחנת עבודה סטנדרטית עם מינימום 16 GB של RAM מספיקה להרצת הצינור (pipeline). עם זאת, מומלץ להשתמש ב-32 GB של RAM או יותר כדי להבטיח ביצועים ויציבות אופטימליים, במיוחד במהלך שלבים חישוביים עתירי זיכרון כגון נרמול SCTransform ופירוק מטריצות במהלך דה-קונבולוציה (deconvolution).

1. רכישת נתונים והכנת מבנה הספריות

  1. השג נתוני טרנסקריפטומיקה מרחבית ציבוריים (למשל, מספר גישה GEO GSE169749, עם תאריך הגשה של 26 במרץ 2021 ותאריך עדכון אחרון של 6 במרץ 2022) ונתוני ייחוס של single-cell RNA-seq (למשל, מספר גישה GEO GSE264408, עם תאריך הגשה של 19 באפריל 2024 ותאריך עדכון אחרון של 10 בדצמבר 2024).
  2. הורד את ארכיון הנתונים הגולמיים (למשל, GSE169749_RAW.tar) מהמאגר וחלץ את הארכיון.
    הערה: עבור מערך הנתונים המייצג המשמש בפרוטוקול זה, הספריה שחולצה מכילה קבצים מרובים עבור כל דגימה, כאשר שמות הקבצים כוללים בדרך כלל את מספר הגישה של דגימת ה-GEO (למשל, GSM5213483).
  3. ארגן את הקבצים במבנה ספריות סטנדרטי התואם לפונקציית Load10X_Spatial של Seurat.
    1. צור ספריה ראשית לנתונים (למשל, ./data/).
    2. צור ספריה משנית ייעודית עבור כל דגימה (למשל, ./data/sample_A1/).
    3. העבר (העתק או הזז) את הקבצים החיוניים הבאים עבור כל דגימה לספריה המשנית המתאימה.
      1. מקם את הקובץ filtered_feature_bc_matrix.h5 בספריה המשנית הראשית של הדגימה.
      2. צור תיקיית משנה spatial/ בתוך כל ספריה של דגימה.
      3. מקם את הקבצים הבאים בתיקיית המשנה spatial/: tissue_positions_list.csv.gz, scalefactors_json.json.gz, ו-tissue_hires_image.png.gz.
    4. בצע דה-קומפרסיה לקבצי ה-.gz בתיקיית ה-spatial/. וודא ששמות הקבצים המקוריים נותרים בדיוק כפי שנדרש על ידי פונקציית Load10X_Spatial (למשל, tissue_positions_list.csv).
      הערה: המבנה הסופי והמאורגן לטעינה חלקה חייב לעקוב אחר תבנית זו, תוך שימוש בדגימה A1 כדוגמה:
      ./data/sample_A1/filtered_feature_bc_matrix.h5
      ./data/sample_A1/spatial/tissue_positions_list.csv
      ./data/sample_A1/spatial/scalefactors_json.json
      ./data/sample_A1/spatial/tissue_hires_image.png

2. הגדרת סביבת התוכנה

  1. התקינו את R (גרסה 4.4.3 או גבוהה יותר).
  2. השיגו את סקריפטי הניתוח (מ-1_ReadSpatialData.R ועד 8_Giotto_Communication.R) ממאגר ה-GitHub (בכתובת https://github.com/LeafLight/SpatialTranscriptomicsWorkFlow, ב-commit hash ‏2d85e18 לצורך שחזור הניסוי).
  3. התקינו את חבילות ה-R הנדרשות מ-CRAN ומ-Bioconductor על ידי הרצת הסקריפט setup.R.
    הערה: רשימה מקיפה של גרסאות החבילות הספציפיות שנעשה בהן שימוש בתזרים עבודה זה מופיעה ב-טבלת החומרים וזמינה גם בקובץ session_info.txt בתוך מאגר ה-GitHub הנלווה (https://github.com/LeafLight/SpatialTranscriptomicsWorkFlow).
  4. התקינו את Giotto Suite על ידי הרצת פקודות ההתקנה המסופקות בתיעוד הרשמי.
    1. עברו לכתובת ההתקנה הרשמית כדי לאחזר את סקריפטי ההגדרה: https://giottosuite.com/articles/installation.html
    2. אתחלו את סביבת ה-Python הנדרשת ואת תלויות המערכת בהתאם להוראות השלב-אחרי-שלב.
  5. התקינו חבילות נוספות לויזואליזציה משופרת.
    1. הריצו: install.packages(c("ggprism", "colorBlindness"))
  6. התקינו את הכלי המותאם אישית Select Spatial Spots. ודאו שמערכת ההפעלה היא Windows, macOS או Linux, ושמותקנת גרסת Python 3.8 או גבוהה יותר. שלב זה הוא אופציונלי.
    1. השיגו את הכלי על ידי מעבר למאגר ה-GitHub (בכתובת https://github.com/LeafLight/SelectSpatialSpots, ב-commit hash ‏d20946e לצורך שחזור הניסוי) והורדת קוד המקור.
    2. עברו לספריית הכלי והתקינו את תלויות ה-Python: pip install -r requirements.txt
  7. התקינו את חבילת glmGamPoi על ידי הרצת BiocManager::install("glmGamPoi") כדי להאיץ את נורמליזציית ה-SCTransform.
    הערה: תזרים העבודה המרכזי דורש רק את החבילות המופיעות בשלבים 2.1–2.3 ו-2.6. החבילה Rfast2 משמשת לה speeding up של חישוב סטטיסטיקת Moran's I. החבילות האופציונליות בשלב 2.5 נועדו ליצירת גרפים מוכנים לפרסום עם עיצוב בסגנון prism (חבילת ggprism) ולגישה לפלטת צבעים ידידותית לעיוורון צבעים (חבילת colorBlindness). הכלי בשלב 2.6 מאפשר את פונקציונליות בחירת הנקודות האינטראקטיבית. הרצו את הפקודה sessionInfo() ושמרו את פלט הקונסול המלא לקובץ טקסט. פעולה זו מתעדת את גרסאות התוכנה המדויקות ואת תלויות החבילות, שהן קריטיות להבטחת שחזור הניסוי לטווח ארוך.

3. טעינת נתונים מרחביים ובקרת איכות(1_ReadSpatialData.R, 2_SpatialDataQC.R)

  1. טעינת נתוני המרחב לאובייקטי Seurat.
    1. השתמש ב- Read10X_Image כדי לטעון ידנית את תמונת הרקמה ברזולוציה גבוהה, תוך הגדרת ה-image.dir וה-image.name.
    2. השתמש ב- Load10X_Spatial כאשר הפרמטר image מוגדר לאובייקט התמונה שנוצר בשלב 3.1.1, כדי ליצור את אובייקט ה-Seurat.
  2. חישוב מדדי בקרת איכות (QC).
    1. חשב את אחוז הקריאות המיטוכונדריאליות באמצעות PercentageFeatureSet עם התבנית ^mt-.
  3. ויזואליזציה ופרשנות של הנתונים בהתבסס על מדדי ה-QC.
    1. צור תרשימי כינור (violin plots) של nCount_Spatial, nFeature_Spatial ו- percent.mt באמצעות VlnPlot.
    2. צור תרשימי מאפיינים מרחביים (spatial feature plots) של מדדים אלו באמצעות SpatialFeaturePlot כדי לזהות נקודות (spots) מחוץ לאזור הרקמה.
      הערה: נקודת בקרה ויזואלית: נקודות מחוץ לאזור הרקמה מציגות בדרך כלל ספירות UMI נמוכות (nCount_Spatial < 500) וזיהוי גנים נמוך (nFeature_Spatial < 200)
    3. לצורכי הדגמה, החל פילטרים להסרת נקודות באיכות נמוכה (למשל, subset(seurat_obj, subset = nFeature_Spatial > 200 & nCount_Spatial > 500)). זהו שלב רשות.
      הערה: המטרה העיקרית של QC בטרנסקריפטומיקה מרחבית היא לזהות ולסמן ארטיפקטים טכניים, כגון נקודות מחוץ לרקמה. עבור נתוני Visium של מעי הגס המשמשים להדגמה, nFeature_Spatial > 200 ו-nCount_Spatial > 500 מסירים נקודות בעלות מורכבות נמוכה או נקודות רקע. עבור רקמות עם תכולת RNA נמוכה או חתכים מדוגדרים, יש לבחון את תרשימי הכינור ואת תרשימי המאפיינים המרחביים לפני העלאת הסף; עבור רקמות דחוסות או בעלות UMI גבוה, ספים מחמירים יותר עשויים להיות מתאימים. הימנע מפילטור המבוסס אך ורק על ערכי ביטוי גבוהים, אלא אם נראים דאבלטים (doublets), קיפולי רקמה או ארטיפקטים ברורים. לעיתים קרובות לא מומלץ לבצע פילטור כיוון שהוא מסיר פיזית מיקומים מרחביים, מה שעלול לפגוע ברצף של מבנה הרקמה לצורך אנליזה מרחבית בהמשך.

4. עיבוד מקדים של נתונים, אינטגרציה ואשכול (Clustering) (3_IntegrationAndClustering.R)

  1. נרמול ועיבוד מקדימה של דגימות בודדות.
    1. החל את נרמול ה-SCTransform על כל דגימה בנפרד עם assay = Spatial.
  2. אינטגרציה של מספר דגימות.
    1. הכן את רשימת האובייקטים שעברו נרמול SCT לצורך אינטגרציה. ודא שלכל אובייקט יש assay מסוג "RNA" על ידי העתקת ה-"Spatial" assay: spatial_list[[1]][["RNA"]] <- spatial_list[[1]][["Spatial"]]
      ​הערה: העתקת ה-"Spatial" assay לתוך חריץ (slot) סטנדרטי של "RNA" assay משמשת כפתרון עוקף הכרחי להבטחת תאימות עם פונקציות אינטגרציה המשך, שתוכננו במקור עבור אובייקטי Seurat של תא בודד.
    2. השתמש ב-SelectIntegrationFeatures וב- PrepSCTIntegration כדי לזהות מאפיינים משתנים משותפים.
    3. מצא עגני אינטגרציה (integration anchors) באמצעות FindIntegrationAnchors עם normalization.method = "SCT".
    4. בצע אינטגרציה לנתונים באמצעות IntegrateData עם normalization.method = "SCT".
  3. ביצוע הפחתת ממדים והקבצה (clustering) על ה-assay המשולב.
    1. הרץ PCA על הנתונים המשולבים באמצעות RunPCA.
    2. קבע את המספר האופטימלי של רכיבים ראשיים (PCs) לניתוחים המשכיים על ידי חישוב השונות המצטברת המוסברת. זהה את נקודת המרפק באופן תכנותי (למשל, הנקודה שבה השונות המצטברת עולה על 90% והרווח השולי יורד מתחת ל-0.1%), באמצעות הקוד ב-3_IntegrationAndClustering.R, שורות 36-38. מספר ה-PCs שהתקבל יכונה להלן pc.use.
    3. הרץ RunUMAP עם dims = 1:pc.use.
    4. בצע הקבצה לתאים באמצעות FindNeighbors עם dims = 1:pc.use ו-FindClusters עם resolution = 0.5. התאם את הרזולוציה רק לאחר בדיקת יציבות ההקבצות ועקביות הגנים המסמנים.
    5. בצע ניתוח ביטוי דיפרנציאלי בין קבוצות מטרה (למשל, "B1_colon_d14" לעומת "A1_colon_d0") באמצעות הפונקציה FindMarkers.
      ​הערה: נקודת בקרה ויזואלית: אינטגרציה מוצלחת תציג ערבוב הולם של הדגימות בגרף ה-UMAP תוך שמירה על מקבצים נבדלים ביולוגית.
  4. זיהוי גנים בעלי שונות מרחבית.
    1. עבור כל דגימה מקורית, הרץ FindSpatiallyVariableFeatures באמצעות שיטת "moransi" על ה-"SCT" assay כדי לחשב אוטוקורלציה מרחבית.

5. עיבוד מקדים של נתוני ייחוס מתאי בודדים (4_scDataPreProcessing.R)

  1. קראו את מטריצת הספירות של single-cell RNA-seq באמצעות Read10X וצרו אובייקט Seurat.
  2. בצעו בקרת איכות (QC) סטנדרטית, נרמול וקיבוב (clustering).
    1. חשבו את אחוז הקריאות המיטוכונדריאליות (percent.mt) וסננו תאים (למשל, nFeature_RNA > 200 & nFeature_RNA < 7500 & percent.mt < 25).
    2. נרמלו את הנתונים באמצעות SCTransform, כאשר vars.to.regress = "percent.mt".
    3. הריצו PCA ו-UMAP, ובצעו קיבוב של התאים באמצעות שיטת בחירת ה-PC הדינמית המתוארת בשלב 4.3.2.
  3. בצעו אנוטציה לסוגי התאים.
    1. חשבו ציוני מודול (module scores) עבור גנים מסמנים קנוניים של סוגי תאים באמצעות AddModuleScore.
    2. בצעו אנוטציה לאשכולות (clusters) בהתבסס על ציוני המודולים וביולוגיה ידועה. לחלופין, ייבאו אנוטציות שחושבו מראש מתוך המטא-דאטה.

6. דה-קונבולוציה מודרכת-ייחוס באמצעות SPOTlight (5_SPOTlight_Deconv.R)

  1. הכנה של נתונים עבור SPOTlight.
    1. המרה של אובייקט Seurat של תאים בודדים עם הערות ואובייקט Seurat מרחבי לאובייקטים מסוג SingleCellExperiment.
    2. ביצוע נורמליזציה לוגריתמית לנתוני התאים הבודדים באמצעות logNormCounts.
  2. הרצת דה-קונבולוציה (deconvolution) באמצעות SPOTlight.
    1. זיהוי גנים היפרא-וריאבליים (HVGs) בנתוני התאים הבודדים באמצעות modelGeneVar ו-getTopHVGs.
    2. חישוב גנים מסמנים (marker genes) לסוגי התאים באמצעות scoreMarkers וסינון עבור מסמנים באיכות גבוהה (למשל, mean.AUC > 0.8).
    3. ביצוע דגימה מופחתת (downsampling) של רפרנס התאים הבודדים עבור כל סוג תא למספר ניהולי (למשל, 50 תאים) כדי להפחית את זמן החישוב.
    4. ביצוע דה-קונבולוציה באמצעות הפונקציה SPOTlight עם weight_id = "mean.AUC", group_id = "cluster", and gene_id = "gene".
  3. ויזואליזציה וייצוא של התוצאות.
    1. חילוץ של מטריצת תוצאות הדה-קונבולוציה (פרופורציות של סוגי תאים לכל נקודה/spot).
    2. שימוש ב-plotSpatialScatterpie כדי להציג ויזואלית את ההרכב התאי על גבי הקואורדינטות המרחביות.
    3. הוספת תוצאות הדה-קונבולוציה למטא-דאטה של אובייקט Seurat המרחבי באמצעות AddMetaData. פלט צפוי: מטריצת דה-קונבולוציה עם עמודי פרופורציות של סוגי תאים עבור כל נקודה מרחבית, תרשימי scatterpie מרחביים המראים הרכב תאי מקומי, ואובייקט Seurat המכיל את פרופורציות הדה-קונבולוציה כמטא-דאטה.

7. דה-קונבולוציה ללא רפרנס באמצעות STdeconvolve(7_STdeconvolve.R)

  1. הכינו את הנתונים המרחביים.
    1. חלצו את מטריצת הספירות הגולמית מאובייקט Seurat המרחבי באמצעות GetAssayData עם slot = "counts".
    2. הסירו נקודות (spots) וגנים באיכות נמוכה באמצעות cleanCounts מ-STdeconvolve (למשל, min.lib.size = 100).
  2. זהו את סוגי התאים החבויים (latent cell types).
    1. סננו עוד יותר את הקורפוס עבור גנים המבטאים בחלק מינימלי של נקודות באמצעות restrictCorpus (למשל, removeAbove=1.0, removeBelow = 0.05).
    2. התאימו מודל Latent Dirichlet Allocation (LDA) על פני טווח של מספרי נושאים (K) פוטנציאליים (למשל, Ks = seq(2, 9, by = 1)) באמצעות fitLDA.
    3. בחרו את המודל האופטימלי על בסיס הפרפלקסיה (perplexity) המינימלית באמצעות optimalModel עם opt = "min".
  3. נתחו והציגו את התוצאות באופן ויזואלי.
    1. חלצו את פרופורציות סוגי התאים (נושאים) (theta) ואת פרופילי הגנים (beta) מהמודל האופטימלי באמצעות getBetaTheta.
    2. כדי לסייע בפרשנות הביולוגית של הנושאים שעברו דקונבולוציה (deconvolution), ייבאו הערות של אזורי עניין (ROI) שנוצרו על ידי הכלי "Select Spatial Spots" (ראו שלב 9.3.3). השתמשו בהערות אלו כפרמטר groups בפונקציה vizAllTopics כדי להשליך את פרופורציות סוגי התאים שעברו דקונבולוציה בחזרה על הקואורדינטות המרחביות ולצבוע את הנקודות לפי ה-ROI שלהן. זהו שלב אופציונלי.
      הערה: פלט צפוי: STdeconvolve אמורה להחזיר ערכי theta המייצגים פרופורציות של נושאים לכל נקודה וערכי beta המייצגים פרופילי גנים לכל נושא. אם המשתמשים מעוניינים להשוות כמותית את תוצאות STdeconvolve הבלתי מפוקחות עם פלטי SPOTlight המונחים על ידי רפרנס (משלב 6), הם יכולים לייצא את שתי מטריצות הפרופורציות (theta מ-STdeconvolve ואת מטריצת SPOTlight) ולחשב מדדי קורלציה או התאמה (concordance) לכל נקודה (למשל, קורלציית פירסון או ספירמן) באמצעות פונקציות R סטנדרטיות. השוואה כמותית בין SPOTlight ל-STdeconvolve היא אופציונלית ואינה נדרשת לביצוע זרימת העבודה המרכזית; עם זאת, מטריצות הפלט הרלוונטיות זמינות משלבים 6.3.1 ו-7.3.1 למשתמשים המעוניינים לבצע אנליזה כזו.

8. תקשורת מרחבית בין תאים באמצעות Giotto(8_Giotto_Communication.R)

  1. המירה של אובייקט Seurat לאובייקט Giotto.
    1. השתמשו בפונקציה createGiottoObject, תוך אספקת מטריצת הספירה הגולמית והקואורדינטות המרחביות.
  2. עיבוד מקדימה של אובייקט ה-Giotto והוספת תוצאות הדקונבולוציה.
    1. נרמלו את הנתונים באמצעות normalizeGiotto.
    2. הוסיפו את ההערות של סוגי התאים (למשל, סוג התא המרכזי מדקונבולוציית SPOTlight) למטא-נתוני התאים באמצעות addCellMetadata.
  3. הסקה של תקשורת בין-תאית מודעת למרחב.
    1. צרו רשת מרחבית באמצעות createSpatialNetwork עם method = "Delaunay" ו-name = "Delaunay_network".
    2. טענו מאגר נתונים של ליגנד-רצפטור לסביבת ה-R. ודאו שהאובייקט שנטען מעוצב כ-data frame עם שתי עמודות נפרדות המייצגות את סמלי הגנים של הליגנד והרצפטור (למשל, רשת עכברים מקומפלת מראש מ-Zenodo: https://zenodo.org/api/records/15168114/files/lr_network_mouse.csv/content, גרסה v6, שפורסמה ב-7 באפריל 2025).
    3. הריצו את exprCellCellcom עם cluster_column = "celltype_major" כדי לזהות אינטראקציות משמעותיות של ליגנד-רצפטור בין סוגי תאים הנמצאים בקרבה מרחבית. פלט צפוי: טבלת תוצאות המכילה זוגות ליגנד-רצפטור, שילובי סוגי תאים של מקור ויעד, ערכי log2 fold-change וערכי P מותאמים; שמרו אינטראקציות משמעותיות (למשל, p.adj < 0.05) לצורך ויזואליזציה.

9. בחירה אינטראקטיבית של נקודות באמצעות select spatial spots (6_SelectSpatialSpots.R)

  1. הכנת הנתונים עבור הכלי האינטראקטיבי.
    1. חילוץ הקואורדינטות המרחביות מאובייקט ה-Seurat באמצעות GetTissueCoordinates.
  2. עיצוב וייצוא הנתונים.
    1. עיצוב מסגרת הנתונים (data frame) של הקואורדינטות כך שתכיל את כותרות העמודות המדויקות: CELL_ID, X, and Y.
    2. ייצוא מסגרת הנתונים המעוצבת לקובץ CSV.
  3. ביצוע ניתוח אזור עניין (ROI).
    1. הפעלה של אפליקציית ה-Dash המותאמת Select Spatial Spots וטעינה של קובץ ה-CSV.
    2. בחירה אינטראקטיבית של נקודות (spots) על בסיס מיקום מרחבי.
    3. ייצוא רשימת הנקודות שנבחרו ותוויות הקבוצה/ROI שהוקצו להן כקובץ CSV חדש. הפלט הצפוי: קובץ CSV עם מזהי נקודות, קואורדינטות X/Y ותוויות קבוצה/ROI שהוקצו, שניתן להצמידם חזרה לאובייקט ה-Seurat באמצעות ה-CELL_ID.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

יישום זרימת העבודה (Workflow) ואינטגרציית נתונים ממחישים מאפייני רקמה מרכזיים

זרימת העבודה החישובית הוחלה על נתוני טרנסקריפטומיקה מרחבית של מעי גס של עכבר כדי להדגים את התוצרים הצפויים לאורך שלבי הניתוח. כפי שמתואר בסכימה של זרימת העבודה (איור 1), צינור העיבוד התחיל ברכישת נתונים ובקרת איכות, שבה תרשימי מאפיינים מרחביים תיחמו את גבולות הרקמה (איור 2A,B). לאחר מכן נעשה שימוש בזרימת העבודה של אינטגרציה מבוססת-עגנים (anchor-based integration) של Seurat כדי להפחית השפעות של אצוות טכניות תוך שימור שונות ביולוגית ניתנת לפירוש. ויזואליזציות UMAP הראו יישור דגימות ודפוסי מקבץ מרחביים לאחר האינטגרציה (איור 2C,D). בחירה כמותית ודינמית של רכיבים ראשיים (PCs) בהתבסס על שונות מצטברת הוטמעה כדי להנחות את הפחתת המימדים ואת המקבץ (clustering) הבא בתור (ראה איור משלים 1). ניתוח מפת חום של גנים מסמנים הראה פרופילים טרנסקריפציונליים מובחנים העומדים בבסיס המקבצים המרחביים (איור 2E).

כדי להעריך האם האשכולות החישוביים תואמים לארכיטקטורה האנטומית הידועה של ההיסטולוגיה של המעי הגס, הוערכו פרופילי הביטוי של גנים מסמנים קנוניים הספציפיים לשכבות. שכבת האפיתל של הרירית הראתה ביטוי של סממנים לתאי אפיתל, כולל Epcam ו-Krt8, לצד הסממן לתאי גביע Muc2. סממנים מזנכימליים וסטרומליים כגון Col1a1 ו-Vim סימנו את ה-lamina propria ואזורים סוב-מקוזיים, בעוד ששכבת ה-muscularis propria החיצונית סומנה על ידי גנים מבניים של שריר חלק כגון Acta2 ו-Tagln. ההגבלה המרחבית של סממנים אלו הקשורים לשושלת תומכת בפרשנות לפיה תהליך האינטגרציה והאשכולה (clustering) שימר את השכבות ההיסטולוגיות העיקריות של רקמת המעי הגס לאורך הציר מהרירית ל-muscularis (ראו Supplementary Figure 2).

בעקבות תיקוף האשכולות, בוצע ניתוח ביטוי דיפרנציאלי במטרה לזהות גנים בעלי ביטוי דיפרנציאלי (DEGs) בין התנאים הניסיוניים (איור 2F,G). בנוסף, זוהו גנים בעלי שונות מרחבית באמצעות הסטטיסטיקה של Moran's I, אשר הדגישה גנים עם התפלגות מרחבית לא אקראית ומשמעותית ברחבי הרקמה (איור 2H).

דה-קונוולוציה תאית ורשתות אינטראקציה מרחביות חושפות את המיקרו-ארגון של הרקמה

עיבוד נתוני הייחוס של single-cell RNA-seq הניב אנוטציות הנתמכות על ידי סינוני QC (איור 3A), אשכולה (clustering) לא מודרכת (איור 3B), תיקוף גנים מסמנים (איור 3C), והלימה עם אנוטציות בלתי תלויות (איור 3D). ההרכב התאי (איור 3E) הנחה את אסטרטגיית ה-downsampling עבור דקונבולוציה. SPOTlight העריך פרופורציות של סוגי תאים בהסמך לייחוס על פני נקודות מרחביות (איור 4A,B), בעוד ש-STdeconvolve סיפק מבט של מודל נושאים (topic-modeling) לא מודרך על דפוסים תאיים מרחביים (איור 5B). הכלי המותאם Select Spatial Spots סיפק הקשר היסטולוגי לדפוסים אלו (איור 5A). לבסוף, באמצעות השיוכים של סוגי התאים לאחר דקונבולוציה, ניתוח תקשורת מרחבית זיהה אינטראקציות ליגנד-רצפטור בין קבוצות של סוגי תאים הסמוכות מרחבית (איור 6A,B).

תצפיות לפתרון בעיות מאופטימיזציה של הפרוטוקול

במהלך אופטימיזציה של הפרוטוקול, זוהו מספר בעיות שהובילו לקביעת נקודות בקרה מעשיות. תוצאות דה-קונבולוציה (deconvolution) שאינן אופטימליות התרחשו כאשר רפרנסים של תאים בודדים לא התאימו כראוי להקשר הרקמה, דבר המעיד על הצורך להשתמש בנתוני scRNA-seq התואמים לרקמה ולמין כאשר אלו זמינים. ניסיונות התקבצות (clustering) ראשוניים עם פרמטרי ברירת מחדג לא תמיד הניבו את המבנים הביולוגיים המצופים; בחינה של בחירת ה-PC, רזולוציית ההתקבצות ועקביות הגנים המסמנים (marker genes) סייעה בזיהוי תחומים הניתנים לפירוש מרחבי התואמים לאנטומיה של הרקמה. תצפיות אלו מספקות דוגמאות מעשיות לאופן שבו משתמשים יכולים לאבחן בעיות אנליטיות נפוצות במהלך ביצוע זרימת העבודה.

figure-results-1
איור 1: זרימת העבודה לניתוח טרנסקריפטומיקה מרחבית משולב. ייצוג סכמטי של צינור הניתוח, מרכישת נתונים ועיבוד מקדימ עד לניתוחים מרחביים מתקדמים. השלבים המרכזיים כוללים: (1) טעינת נתונים, בקרת איכות ושילוב מדגמים מרובים באמצעות Seurat; (2) צבירה (clustering) מרחבית וזיהוי של גנים בעלי שונות מרחבית; (3) דקונבולוציה של סוגי תאים via שיטות מבוססות ייחוס (SPOTlight) ושיטות לא מודרכות (STdeconvolve); (4) ניתוח תקשורת תא-תא מרחבית באמצעות Giotto ובחירה אינטראקטיבית של אזורי עניין באמצעות כלי מותאם אישית, Select Spatial Spots. תוצאות מכל המודולים מסנתזות כדי להפיק תובנות ביולוגיות לגבי ארכיטקטורת הרקמה והמיקרו-סביבה התאית. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-results-2
איור 2אינטגרציית נתונים, מקבצים (clustering) ואנליזה של ביטוי דיפרנציאלי. (א, ב) מדדי בקרת איכות עבור הדגימות המרחביות A1 ו-B1, המראים את התפלגויות ספירות הגנים, ספירות ה-UMI ואת אחוזי הגנים המיטוכונדריאליים. (C) ויזואליזציה ב-UMAP של נתוני טרנסקריפטומיקה מרחבית משולבים, צבועים לפי מקור הדגימה (שמאל) וזהות אשכול (ימין). (ד') השלכה מרחבית של זהויות אשכולות על חתכי רקמה. (ה) מפת חום של גני הסימן הבולטים ביותר עבור כל אשכול מרחבי. (ז') תרשים געש (Volcano plot) המציג גנים בעלי ביטוי Differentially Expressed בין התנאים A1_colon_d0 ו-B1_colon_d14. (ג') דפוסי ביטוי מרחביים של גנים נבחרים שהביטוי שלהם שונה בחתכי רקמה. (ה(מפות ביטוי מרחבי של הגנים בעלי השונות המרחבית הגבוהה ביותר שזוהו) באמצעות סטטיסטיקת Moran's I, כאשר שני הלוחות השמאליים מציגים גנים מדגימה A1_colon_d0 ושני הלוחות הימניים מציגים גנים מדגימה B1_colon_d14. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

figure-results-3
איור 3: עיבוד ואנוטציה של נתוני ייחוס של תאים בודדים. (A) מדדי בקרת איכות עבור נתוני ייחוס scRNA-seq לפני ואחרי סינון. (B) ויזואליזציית UMAP של נתוני scRNA-seq הצבועים לפי אשכולות (clusters) לא מודרכים. (C) תרשים נקודות (Dot plot) המציג ציוני ביטוי של גנים מסמנים קנוניים של סוגי תאים לאורך האשכולות. (D) ויזואליזציית UMAP עם אנוטציה של נתוני scRNA-seq כאשר סוגי התאים העיקריים מסומנים. (E) הרכב תאי של מערך נתוני הייחוס של scRNA-seq. הקו האדום המקווקו מציין את סף הדגימה מחדש (downsampling threshold) (n = 50 תאים לכל סוג) שיושם במהלך דה-קונבולוציה ב-SPOTlight כדי לאזן בין יעילות חישובית לבין ייצוג של סוגי התאים. אנא לחצו כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-4
איור 4: דה-קונוולוציה מרחבית של הטרוגניות תאית. (A,B) תרשימי scatterpie מרחביים מדה-קונוולוציית SPOTlight המראים את ההרכב הפרופורציונלי של סוגי התאים העיקריים בכל נקודה (spot) עבור דגימות A1 (A) ו-B1 (B). (C) הפצה מרחבית מייצגת של תאי B בדגימות A1 (שמאל) ו-B1 (ימין), המדגימה את דפוסי הלוקליזציה ברזולוציה מרחבית של אוכלוסיית תאי חיסון ספציפית שזוהתה באמצעות דה-קונוולוציה. אנא לחץ כאן להצגת גרסה גדולה יותר של איור זה.

figure-results-5
איור 5: ניתוח אינטראקטיבי של אזורי עניין (region-of-interest) והשוואת דקונבולוציה לא מונחית. (A) ממשק הכלי המותאם אישית "Select Spatial Spots" המראה בחירה אינטראקטיבית של אזורים המתאימים למעי הגס הפרוקסימלי, למעי הגס הדיסטלי ולדומיינים רקמתיים אחרים. (B) ויזואליזציה של scatterpie מרחבי של תוצאות דקונבולוציה לא מנחיתה (STdeconvolve) עבור דגימה A1, כאשר הנקודות צבועות לפי האזורים שסומנו ידנית ב- (A), וממחישה את ההתאמה בין הסימון המבוסס על היסטולוגיה לבין התפלגויות נושאי התאים שהופקו באופן חישובי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-6
איור 6: רשתות תקשורת בין-תאית מבוססות מיקום מרחבי. (A,B) רשתות אינטראקציית ליגנד-קולטן שהוצאו על ידי Giotto עבור דגימות A1 (A) ו-B1 (B). הצמתים מייצגים סוגי תאים, הקשתים מייצגות זוגות ליגנד-קולטן מובהקים (FDR < 0.05), ועובי הקשת תואם את עוצמת האינטראקציה. כדי להבטיח השוואתיות ובהירות ויזואלית, הוחל סף מובהקות אחיד (FDR < 0.05) על כל הדגימות, ומוצגות 20 האינטראקציות המובילות המדורגות לפי log2FC עבור כל תנאי. הרשתות מדגישות דפוסי תקשורת ספציפיים לסוג התא בתוך ההקשר המרחבי של רקמת המעי הגס. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

איור משלים 1: הערכה כמותית של אופטימיזציית פרמטרים להפחתת ממדים.תרשים המרפק (elbow plot) מדגים את הגישה התכנונית של זרימת העבודה לבחירה דינמית של מספר רכיבי העיקר (PCs) האופטימלי. הבחירה מחושבת על בסיס סף של סטיית תקן מצטברת ושונות שולית, המיוצגים על ידי הקו האנכי האדום, כדי ללכוד שונות ביולוגית תוך הפחתת רעש טכני לפני שלב הצבירה (clustering) הבא.נא ללחוץ כאן להורדת קובץ זה.

איור משלים 2: תיקוף של קיבצורי מרחביים באמצעות סממנים קנוניים ספציפיים לשכבות המעי הגס. (A) תרשים נקודות המראה ביטוי מועשר של סממנים אפיתליאליים, סטורמליים ושל שריר חלק על פני קיבצורים חישוביים. (B) תרשימי מאפיינים מרחביים הממפים סממנים מייצגים (Epcam, Col1a1, Acta2) חזרה לקואורדינטות הרקמה.אנא לחצו כאן להורדת קובץ זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול זה מספק זרימת עבודה חישובית מקיפה לניתוח נתוני טרנסקריפטומיקה מרחבית, המאזנת בין עומק אנליטי לבין נגישות מעשית. הגישה השלבית מדריכה חוקרים לאורך כל צינור הניתוח, החל מרכישת הנתונים הראשונית ועד לניתוחים מרחביים מתקדמים, תוך הדגשת נקודות החלטה קריטיות ומלכודות פוטנציאליות.

מספר שלבים בפרוטוקול דורשים תשומת לב מיוחדת בשל השפעתם על התוצאות הבאות. יש להתאים בקפידה את ספי בקרת האיכות והסינון לסוגי רקמות ספציפיים ולפלטפורמות טכנולוגיות, שכן סינון מחמיר מדי עלול להסיר נקודות בעלות רלוונטיות ביולוגית, בעוד שספים רפואים עלולים להכניס רעש טכני. לבחירת שיטת הנרמול השפעה משמעותית על תוצאות הצבירה (clustering) והביטוי הדיפרנציאלי. לדוגמה, הצינור (pipeline) משתמש ב-SCTransform במקום בנרמול לוגריתמי סטנדרטי, מכיוון שדווח כי SCTransform ממדל ומפחית שונות טכנית הקשורה לעומק הריצוף ולהשפעות טכניות אחרות בתהליכי עבודה של תאי יחיד ומרחב14,15. במהלך האינטגרציה, בחירת מאפייני האינטגרציה ופרמטרי הרזולוציה דורשת שיקול דעת מעמיק כדי לאזן בין עוצמת האינטגרציה לבין שימור האות הביולוגי. עבור זיהוי גנים עם שונות מרחבית, נבחר Moran's I בשל יכולת ההרחבה החישובית וההתאמה לניתוח אוטוקורלציה מרחבית בנתונים מבוססי מערכים (arrays), אם כי ניתן לשקול זיהויים חלופיים כגון SPARK, בהתאם לגודל מערך הנתונים ומטרות המחקר16.

רכיב פתרון הבעיות של זרימת עבודה זו מתמקד בבעיות תאימות נפוצות המתרחאות בעת העברת פלטים מחבילה אחת לבאה אחריה. במקום להסתמך על שלב המרה גנרי בודד, זרימת העבודה משתמשת בהמרות פורמט מותאמות אישית בכל ממשק תוכנה: נתוני ספירה מרחביים מועתקים לסלוט (slot) סטנדרטי של RNA assay לפני אינטגרציית Seurat; אובייקטים של Seurat ואובייקטי ייחוס של תא בודד מומרים לאובייקטי SingleCellExperiment עבור SPOTlight; מטריצות ספירה מרחביות מעוצבות מחדש עבור STdeconvolve; ספירות, קואורדינטות ומטא-נתונים של סוגי תאים המופקים מ-Seurat מומרים לאובייקט Giotto לצורך ניתוח תקשורת בין תאים; ואנוטציות של ROI מ-Select Spatial Spots מיוצאות כקבצי CSV עם CELL_ID, קואורדינטות X/Y ותוויות קבוצה, כדי שניתן יהיה למפות אותן בחזרה לאובייקט Seurat. שלבים אלו מסייעים למשתמשים לזהות ולתקן בעיות נפוצות כגון סלוטים של assay שאינם תואמים, מזהי נקודות (spots) שאינם תואמים, עמודי מטא-נתונים חסרים, פורמט קואורדינטות שגוי, וחוסר התאמה בסמלי גנים של ליגנד-רספטור.

מאפיין נוסף של תהליך עבודה זה הוא השימוש בשתי אסטרטגיות דה-קונבולוציה (deconvolution) משלימות, במקום הסתמכות על אלגוריתם יחיד. SPOTlight משתמש במסמכי ייחוס קודמים של scRNA-seq להערכה מונחית-ייחוס של פרופורציות סוגי תאים, בעוד ש-STdeconvolve מאפשר גילוי של נושאים שעתוקיים חבויים ללא צורך בייחוס. במערך הנתונים להדגמה, הנושאים ב-STdeconvolve תאמו לאזורים שהוגדרו היסטולוגית (איור 5B), דבר התומך בפרשנות ביולוגית. השוואה כמותית ישירה בין שתי השיטות לא בוצעה בפרוטוקול זה; משתמשים המעוניינים לבצע להן בנצ'מרק על נתוניהם שלהם יכולים לעקוב אחר המסגרת המוצגת בשלב הפרוטוקול 7.3.2. יתרה מכך, הפרוטוקול תומך בשמישות ובניתנות למעקב על ידי שימוש בסקריפטים עבור פונקציות ליבה, תוך שהוא מציע ממשק גרפי (Select Spatial Spots) לבידוד אינטואיטיבי של ROI.

קישור בין Seurat ל-Giotto מאפשר לזרימת העבודה לשלב עיבוד מקדימה ואינטגרציה מבוססי Seurat עם סטטיסטיקה מרחבית וניתוח רשתות מבוססי Giotto. Seurat מספקת סביבה מבוססת לחוקרים בעלי ניסיון ב-scRNA-seq ותומכת באינטגרציה של מספר דגימות, בעוד שהעברת הנתונים ההרמוניים ל-Giotto מאפשרת בניית רשת מרחבית וניתוח ליגנד-רספטור. תכנון זה מאפשר למשתמשים לנצל את נקודות החוזק המתועדות של שתי הפלטפורמות, מבלי לרמוז שהן נבחנו כאן מול Squidpy או מסגרות עבודה אחרות. עבור תקשורת בין תאים, נעשה שימוש בהסקת ליגנד-רספטור מבוססת רשת Delaunay של Giotto, מכיוון שהיא משלבת סמיכות מרחבית בתוך אותה סביבת ניתוח; מסגרות עבודה כגון CellChat מספקות מאגרי נתונים נרחבים של איתותים, אך אינן מוערכות בפרוטוקול זה17.

יש להביא בחשבון מספר מגבלות. גישת ה-deconvolution מבוססת-הרפרנס תלויה באופן קריטי בזמינות של רפרנסים באיכות גבוהה של תאים בודדים (single-cell) התואמים את הדגימה. יתרה מכך, ההנחות היסודיות העומדות בבסיס ניתוח התקשורת הבין-תאית מסתמכות על ביטוי משותף של תמלילים (transcript co-expression) כמדד עקיף לאינטראקציה חלבונית פיזית, מה שדורש תיקוף ניסיוני בהמשך. לבסוף, תהליך עבודה זה פותח בעיקר עבור מערכי נתונים סטנדרטיים של Visium. ככל שהתחום יתקדם לעבר טכנולוגיות ברזולוציה קרובה לרמת התא הבודד, כגון Visium HD, השיקולים האנליטיים ישתנו; נתונים ברזולוציה גבוהה יותר עשויים לדרוש פרמטרים שונים של עיבוד מקדמי (pre-processing) ולהפחית את הצורך המוחלט ב-spot deconvolution. כדי להתאים תהליך עבודה זה למערכי נתונים של Visium HD, ניתן לאגד חישובית את ה-bins ברזולוציה הגבוהה לתוך bins מרחביים גדולים יותר, או לדלג על מודולי ה-spot-deconvolution לטובת סגמנטציה של תאים מבוססת תמונה18.

תכונות אלו מרמזות על פוטנציאל יישום בתחומי ביולוגיה שונים, כולל ביולוגיה התפתחותית, מדעי המוח, חקר הסרטן ואימונולוגיה19,20,21,22. העיצוב המודולרי מאפשר לחוקרים להתאים רכיבים ספציפיים לצרכיהם, בין אם המיקוד הוא בזיהוי תחומי מרחב, תקשורת תאית או התמחות אזורית. ככל שהטכנולוגיות המרחביות ממשיכות להתפתח ומסדי הנתונים מתרחבים, פרוטוקול זה מספק תשתית שניתן להרחיב כדי לשלב שיטות אנליטיות חדשות ולהתייחס לשאלות ביולוגיות עולות.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים כי אין להם ניגודי אינטרסים פיננסיים.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מודים למפתחי ומסייעי חבילות התוכנה Seurat, Giotto ו-SPOTlight על תמיכתם והתיעוד שסיפקו. כמו כן, הם מביעים תודה על תרומתם של מאגרי נתונים ציבוריים ושל החוקרים ששיתפו בנדיבות את מערכי הנתונים שלהם.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
ggplot2Posit Software, PBCv4.0.0(CRAN)ויזואליזציה מתקדמת של נתונים
GiottoDries Labv4.2.2 (GitHub)ניתוח רשתות מרחביות ותקשורת בין-תאית
patchwork Thomas Lin Pedersenv1.3.2 (CRAN)הרכבה וסידור של גרפים
R software R Foundation for Statistical Computingv4.4.3סביבת הרצה מרכזית (macOS aarch64)
scaterDavis McCarthy et al.v1.34.1 (Bioconductor)בקרת איכות וויזואליזציה של תאים בודדים
scranAaron Lun et al.v1.34.0 (Bioconductor)מידול שונות וזיהוי סמנים של תאים בודדים
Select Spatial Spots (Custom Python Tool)LeafLightv1.0.0 (GitHub)בחירה אינטראקטיבית של אזורי עניין (ROI) מרחביים (https://github.com/LeafLight/SelectSpatialSpots)
Seurat Satija Labv5.3.0 (CRAN)עיבוד מקדים, אינטגרציה וצבירה (clustering) של נתונים מרחביים
SeuratObject Satija Labv5.2.0 (CRAN)מבני נתונים עבור נתוני תאים בודדים ונתונים מרחביים
SingleCellExperimentBioconductor Core Teamv1.28.1 (Bioconductor)מיכל נתונים סטנדרטי עבור scRNA-seq
SPOTlightMarc Elosua-Bayes et al.v1.10.0 (Bioconductor)דה-קונבולוציה (deconvolution) מרחבית מונחית-רפרנס
StdeconvolveJean Fan Labv1.3.2 (Bioconductor)מידול נושאים חבויים (latent topic modeling) ללא פיקוח
tidyversePosit Software, PBCv2.0.0 (CRAN)חבילת כלים מרכזית למניפולציה ועיצוב של נתונים

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ozirmak Lermi N, Molina Ayala M, Hernandez S, et al. Comparison of imaging based single-cell resolution spatial transcriptomics profiling platforms using formalin-fixed paraffin-embedded tumor samples. Nat Commun. 2025;16(1):8499.
  2. Ren P, Zhang R, Wang Y, et al. Systematic benchmarking of high-throughput subcellular spatial transcriptomics platforms across human tumors. Nat Commun. 2025;16(1):9232.
  3. Danishuddin, Khan S, Kim JJ. Spatial transcriptomics data and analytical methods: An updated perspective. Drug Discovery Today. 2024;29(3):103889.
  4. Xu Z, Wang W, Yang T, et al. STOmicsDB: A comprehensive database for spatial transcriptomics data sharing, analysis and visualization. Accessed October 31, 2025. https://dx.doi.org/10.1093/nar/gkad933
  5. Wang G, Wu S, Xiong Z, Qu H, Fang X, Bao Y. CROST: A comprehensive repository of spatial transcriptomics. Nucleic Acids Res. 2024;52(D1):D882-D890.
  6. Chen JG, Chávez-Fuentes JC, O’Brien M, et al. Giotto Suite: a multiscale and technology-agnostic spatial multiomics analysis ecosystem. Nat Methods. 2025;22(10):2052-2064. doi:10.1038/s41592-025-02817-w
  7. Butler A, Hoffman P, Smibert P, Papalexi E, Satija R. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol. 2018;36(5):411-420.
  8. Elosua-Bayes M, Nieto P, Mereu E, Gut I, Heyn H. SPOTlight: seeded NMF regression to deconvolute spatial transcriptomics spots with single-cell transcriptomes. Nucleic Acids Res. 2021;49(9):e50-e50.
  9. McCarthy DJ, Campbell KR, Lun ATL, Wills QF. Scater: pre-processing, quality control, normalization and visualization of single-cell RNA-seq data in R. Bioinformatics. 2017;33(8):1179-1186.
  10. Lun ATL, McCarthy DJ, Marioni JC. A step-by-step workflow for low-level analysis of single-cell RNA-seq data with bioconductor. F1000Research. Preprint posted online October 31, 2016. doi:10.12688/f1000research.9501.2
  11. Miller BF, Huang F, Atta L, Sahoo A, Fan J. Reference-free cell type deconvolution of multi-cellular pixel-resolution spatially resolved transcriptomics data. Nat Commun. 2022;13(1):2339.
  12. Palla G, Spitzer H, Klein M, et al. Squidpy: A scalable framework for spatial omics analysis. Nat Methods. 2022;19(2):171-178.
  13. Luecken MD, Büttner M, Chaichoompu K, et al. Benchmarking atlas-level data integration in single-cell genomics. Nat Methods. 2022;19(1):41-50.
  14. Hafemeister C, Satija R. Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression. Genome Biol. 2019 Dec 23;20(1):296.
  15. Cuevas-Diaz Duran R, Wei H, Wu J. Data normalization for addressing the challenges in the analysis of single-cell transcriptomic datasets. BMC Genomics. 2024;25(1):444.
  16. Sun S, Zhu J, Zhou X. Statistical analysis of spatial expression patterns for spatially resolved transcriptomic studies. Nat Methods. 2020;17(2):193-200.
  17. Jin S, Plikus MV, Nie Q. CellChat for systematic analysis of cell–cell communication from single-cell transcriptomics. Nat Protoc. 2025;20(1):180-219.
  18. Zohora FT, Paliwal D, Flores-Figueroa E, et al. CellNEST reveals cell–cell relay networks using attention mechanisms on spatial transcriptomics. Nat Methods. 2025;22(7):1505-1519.
  19. Wang Q, Zhu H, Deng L, et al. Spatial transcriptomics: Biotechnologies, computational tools, and neuroscience applications. Small Methods. 2025;9(5):2401107.
  20. Chen MM, Gao Q, Ning H, et al. Integrated single-cell and spatial transcriptomics uncover distinct cellular subtypes involved in neural invasion in pancreatic cancer. Cancer Cell. 2025;43(9):1656-1676.e10.
  21. Li H, Guan W, Huang J, et al. A complete model of mouse embryogenesis through organogenesis enabled by chemically induced embryo founder cells. Cell. 2025;188(21):5912-5930.e20.
  22. Loh JW, Lee JY, Lim AH, et al. Spatial transcriptomics reveal topological immune landscapes of asian head and neck angiosarcoma. Commun Biol. 2023;6(1):461.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

SeuratSPOTlight

מאמרים קשורים