Mejora de la inferencia de la composición de tipo celular en la transcriptómica espacial con SpaDAMA

Área de la Ciencia:

• La genómica
• Biología computacional
• La bioinformática

Sus antecedentes:

• La composición precisa del tipo celular es crucial para la investigación de enfermedades y la comprensión de la heterogeneidad de los tejidos.
• Los métodos actuales de transcriptómica espacial (ST) carecen de resolución de una sola célula, lo que dificulta la identificación precisa de las células.
• Los métodos de desconvolución existentes que utilizan datos de secuenciación de ARN de una sola célula (scRNA-seq) a menudo no tienen en cuenta las diferencias de datos específicos de dominio.

Objetivo del estudio:

• Desarrollar un nuevo método computacional para la precisión de la desconvolución de tipo celular en los datos de transcriptómica espacial.
• Para abordar el desafío de las discrepancias de datos entre las modalidades de datos scRNA-seq y ST.
• Mejorar la identificación de componentes celulares dentro de microambientes complejos de tejidos.

Principales métodos:

• Se introdujo el autoencoder enmascarado de dominio adversario (SpaDAMA), un nuevo método para la deconvolución de tipo celular.
• Utilizó el aprendizaje de dominio adversario (DAL) para armonizar las distribuciones de datos scRNA-seq y ST.
• Estrategias de enmascaramiento implementadas para mejorar la extracción de características y mitigar el ruido/artefactos en los datos ST.

Principales resultados:

• SpaDAMA demostró un rendimiento superior en la deconvolución de tipo celular en 32 conjuntos de datos simulados y 4 del mundo real.
• El método armonizó efectivamente los datos de diferentes modalidades, creando una representación latente unificada.
• SpaDAMA minimizó con éxito las discrepancias y el ruido, lo que condujo a una estimación más confiable de la composición del tipo de célula.

Conclusiones:

• SpaDAMA ofrece una solución robusta y precisa para la deconvolución de tipo celular en transcriptómica espacial.
• El método proporciona una herramienta valiosa para avanzar en la identificación de objetivos de enfermedades y en los estudios de heterogeneidad tisular.
• El enfoque de dominio adversario de SpaDAMA cierra efectivamente la brecha entre los datos de scRNA-seq y ST.