S3RL: Mejora de la transcriptómica espacial unicelular con aprendizaje de representación separable

Área de la Ciencia:

• Genómica
• Biología Computacional
• Bioinformática

Sus antecedentes:

• La transcriptómica espacial ofrece mapeo de la expresión génica in situ para el análisis de tejidos.
• La escasez de datos y el ruido técnico limitan la utilidad actual de la transcriptómica espacial para microambientes complejos.

Objetivo del estudio:

• Introducir S3RL, un marco de aprendizaje de representación separable.
• Mejorar la fidelidad de los datos de transcriptómica espacial crudos para obtener información biológica mejorada.

Principales métodos:

• Desarrolló S3RL, un novedoso marco de aprendizaje de representación separable.
• Aplicó S3RL para eliminar el ruido de mediciones dispersas y amplificar señales biológicas en datos de transcriptómica espacial.
• Validó S3RL en tejidos humanos, de ratón y de plantas.

Principales resultados:

• S3RL mejoró significativamente la identificación de dominios espaciales y la alineación de múltiples cortes (hasta un 170 % de mejora en el índice de información mutua).
• Recuperó patrones de expresión espacial y relaciones regulatorias de grano fino.
• Descubrió nuevas señales de ligandos-receptores y gradientes espaciales de expresión génica.

Conclusiones:

• S3RL es una herramienta poderosa para extraer programas biológicos de conjuntos de datos de transcriptómica espacial ruidosos.
• Permite una exploración más profunda de la biología tisular, las interacciones célula-célula y los mecanismos de las enfermedades.
• Facilita la comprensión de la comunicación inmunoterapia-tumor y las trayectorias de desarrollo de las plantas.