Flux de travail de SPACEL. un Trois modules de SPACEL : Spoint, Splane et Scube. b Spoint déconvolue les types de cellules de spots à l'aide d'un MLP et d'un modèle de probabilité. MLP, perceptron multicouche ; VAE, auto-encodeur variationnel. c Splane utilise un modèle GCN et un algorithme d'apprentissage contradictoire pour identifier les domaines spatiaux sur plusieurs tranches. GCN, réseau convolutionnel graphique. d Pour les tranches consécutives, Scube adopte un graphique du voisin le plus proche (MNN) et l'algorithme d'évolution différentielle pour transformer les tranches et construire un alignement 3D empilé d'un tissu. Crédit: Communications naturelles (2023). DOI : 10.1038/s41467-023-43220-3
Les chercheurs en biologie et en médecine utilisent les technologies de transcriptomique spatiale (ST) pour détecter les niveaux de transcription dans les cellules, prédire les types de cellules et construire la structure tridimensionnelle (3D) d'un tissu. Cependant, cette analyse peut s’avérer difficile lorsque plusieurs tranches de tissus doivent être analysées conjointement à l’aide de boîtes à outils de pointe. Il est difficile pour les chercheurs d’assembler les tranches et de construire manuellement la structure 3D.
Pour surmonter ce problème, une équipe de recherche dirigée par le professeur Qu Kun de l'Université des sciences et technologies (USTC) de l'Académie chinoise des sciences (CAS) a développé une nouvelle caractérisation de l'architecture spatiale par apprentissage profond (SPACEL). Grâce à trois modules, Spoint, Splane et Scube, SPACEL peut construire automatiquement le panorama 3D des tissus.
Les résultats de leurs recherches sont publiés dans Communications naturelles.
Les trois modules sont conçus pour trois tâches principales de l'analyse ST. Sprint peut effectuer une déconvolution de type cellulaire pour prédire la distribution spatiale des types de cellules. Une combinaison de pseudo-spots simulés, de modélisation de réseaux neuronaux et de récupération statistique des profils d'expression garantit la robustesse et la précision de la prédiction.
Splane utilise une approche de réseau convolutif graphique et un algorithme d'apprentissage contradictoire pour identifier des domaines spéciaux en analysant conjointement plusieurs tranches ST, tandis que Scube aligne automatiquement les tranches et construit une architecture 3D empilée du tissu. A travers trois modules, l'architecture 3D du tissu est construite à partir des données brutes.
Les chercheurs ont appliqué SPACEL à 11 ensembles de données ST, totalisant 156 tranches, et des technologies telles que 10X Visium, STARmap, MERFISH, Stereo-seq et Spatial Transcriptomics ont été impliquées au cours du processus ; SPACEL a démontré ses performances supérieures aux autres en matière de déconvolution des types cellulaires dans trois tâches analytiques principales : prédire la distribution des types cellulaires, identifier les domaines spatiaux et reconstruire les structures tissulaires tridimensionnelles.
Cette recherche fournit une boîte à outils intégrée précieuse pour le traitement et l’analyse des données ST, bénéficiant à de nouvelles recherches utilisant les technologies ST.
Plus d'information:
Hao Xu et al, SPACEL : caractérisation basée sur l'apprentissage profond des architectures du transcriptome spatial, Communications naturelles (2023). DOI : 10.1038/s41467-023-43220-3
Fourni par l'Université des sciences et technologies de Chine
Citation: Une nouvelle boîte à outils d'analyse basée sur l'apprentissage profond pour la transcriptomique spatiale (2 janvier 2024) récupérée le 2 janvier 2024 sur
Ce document est soumis au droit d'auteur. En dehors de toute utilisation équitable à des fins d'étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.
