来自串行部分的多omics数据的空间集成使用新的多omics成像集成工具集
Maximilian Wess1,2, Maria K Andersen1,3, Elise Midtbust1,3
1Department of Circulation and Medical Imaging, NTNU-Norwegian University of Science and Technology, Trondheim, 7491, Norway.
GigaScience
|May 14, 2025
概括
一个新的Python框架,MIIT,集成了来自不同组织部分的空间奥米克数据. 该工具集通过将质谱成像和空间转录学结合起来,为精准医学提供了全面的癌症生物学理解.
科学领域:
- 生物医学研究的研究.
- 计算生物学是一种计算生物学.
- 基因组学和蛋白质组学
背景情况:
- 了解异质瘤中的癌症生物学需要多omics数据和空间分辨率.
- 空间转录组学 (ST) 和质谱成像 (MSI) 捕获空间组学数据,但通常应用于串行段.
- 从串行部分整合数据对于利用多omics见解至关重要.
研究的目的:
- 开发一个用于整合空间解析的多omics数据的计算框架.
- 为了使在连续组织切片上执行的不同奥米克技术的数据结合起来.
主要方法:
- 开发一个Python框架的多omics成像集成工具集 (MIIT).
- 实现一个非刚性注册算法 (GreedyFHist) 来对准串行段.
- 从新鲜冷的序列截面中对244张图像进行了GreedyFHist的验证.
主要成果:
- MIIT成功地整合了空间分辨的多omics数据.
- GreedyFHist在串行截面注册方面取得了最先进的性能.
- 从前列腺癌中整合ST和MSI数据的概念验证,将基因特征与代谢测量相关联.
结论:
- MIIT是一个准确,可定制和开源的框架,用于整合空间omics数据.
- 该框架有助于将来自不同空间空间技术的数据结合起来.
- 通过实现多模式空间数据集成,MIIT提高了对癌症生物学的理解.
更多相关视频
09:19Spatial Profiling of Protein and RNA Expression in Tissue: An Approach to Fine-Tune Virtual Microdissection
Published on: July 6, 2022
4.8K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.1K
