CIPHER：最適化された集約空間トランスクリプトミクス実験設計のためのエンドツーエンドフレームワーク | JoVE Visualize

科学分野:

ゲノミクス
計算生物学
バイオインフォマティクス

背景:

空間トランスクリプトミクス法は組織の構造を理解するために重要ですが、個々の遺伝子を測定する際にはスケーラビリティの制限に直面することがよくあります。
CISI、FISHnCHIPs、ATLASなどの新しい技術は、スループットを向上させるために集約転写シグネチャを使用しますが、単一細胞RNAシーケンシング（scRNA-seq）との効果的な統合には慎重な特徴設計が必要です。
デコード精度のみを個別に最適化すると、重要な実験的制約が無視され、集約測定戦略のパフォーマンスが制限されます。

研究の目的:

集約転写シグネチャの設計と下流の細胞タイプ埋め込みを共同で最適化する計算フレームワーク、CIPHER（Cell Identity Projection using Hybridization Encoding Rules）を開発すること。
イメージングアッセイの物理的制限を最適化プロセスに直接統合し、弁別性とノイズに対する堅牢性を最大化すること。
集約測定値を使用したスケーラブルな空間トランスクリプトミクスのために、系統的でscRNA-seqに合わせた特徴設計を可能にすること。

主な方法:

CIPHERは、ニューラルネットワークフレームワークを採用して、実験的エンコーディング行列と細胞タイプ埋め込みを共同で最適化します。
このフレームワークは、イメージングアッセイの物理的制約を損失関数に組み込み、弁別性と堅牢性を向上させるために潜在空間を形成します。
大規模なマウス脳scRNA-seq参照データセットを使用して、モデルをトレーニングおよび検証しました。

主要な成果:

CIPHERによって設計されたエンコーディングは、既存の方法と比較して、細胞タイプの分離可能性が向上した潜在空間をもたらしました。
フレームワークは、より均一な信号利用とハイブリダイゼーション変動に対する耐性の向上を示しました。
シミュレーションデータセットと実験データセットの両方でデコード精度が向上し、CIPHERの有効性が検証されました。

結論:

CIPHERは、スケーラブルな空間トランスクリプトミクス用の集約転写シグネチャを設計するための原則的なアプローチを提供します。
デコード精度と実験的測定可能性の共同最適化は、集約測定戦略における特徴設計の問題に対処します。
CIPHERは、空間トランスクリプトミクス実験における細胞トランスクリプトームの効率的かつ正確な再構築を可能にします。