从单细胞RNA-seq与REMAP重建多层次组织空间结构

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 系统生物学 系统生物学

背景情况:

• 细胞空间组织对于理解组织功能和疾病至关重要.
• 单细胞RNA测序 (scRNA-seq) 提供高分辨率的基因表达,但缺乏空间上下文.
• 空间转录学 (ST) 保留空间信息,但在成本和基因覆盖方面面临限制.

研究的目的:

• 开发一个深度学习框架 (REMAP) 来重建scRNA-seq数据的多尺度空间组织.
• 为了整合基因表达与邻居级基因-基因共变性进行空间重建.
• 为了使空间假设生成和微环境发现从成本效益高的单细胞数据.

主要方法:

• 开发了REMAP,这是一个深度学习框架,集成了基因表达和邻近基因-基因共变性.
• 用一个或多个ST引用进行空间重建.
• 将REMAP应用于各种数据集,包括2D/3D小鼠大脑,人类胎儿皮质和7种人类癌症类型.

主要成果:

• 在各种组织类型和物种中,REMAP的性能始终优于现有的方法.
• 成功解决了微质邻近异质性,并在多发性硬化 atlas 中确定了一种罕见的亲炎性微质-质细胞亚群.
• 在各种癌症中恢复了保存的,具有预后意义的与癌症相关的纤维细胞亚型.

结论:

• REMAP有效地将scRNA-seq数据转化为可空间解释的组织地图.
• 该框架有助于发现健康和疾病中的细胞社区和微环境.
• 雷马普可以在人口规模上推断保存和扰乱的组织架构原理.