BioRSP: Un Nuevo Enfoque para el Análisis Espacial de la Expresión Génica

La incrustación de datos de alta dimensión es una herramienta clave en el campo de la bioinformática, especialmente al estudiar datos de células individuales. Los investigadores la usan para ver los diferentes tipos de células, sus interacciones y cómo están organizadas en los tejidos. Al combinar la transcriptómica espacial con herramientas de computación avanzadas, los científicos pueden visualizar mejor la Expresión Génica y las interacciones en sus entornos tisulares originales. Este artículo habla de cómo podemos analizar los patrones de expresión génica en las células para obtener más información sobre sus funciones y relaciones.

#Métodos actuales y sus limitaciones

Tradicionalmente, los métodos para comparar patrones de expresión génica espacial suelen usar métricas básicas como la cobertura. La cobertura mide cuántas células expresan ciertos genes, pero a menudo se representa como solo un número. Esto simplifica demasiado las cosas porque un solo número no muestra cómo están dispuestas las células, ignora las diferencias entre ellas y no puede distinguir entre expresiones génicas distribuidas uniformemente y aquellas concentradas en ciertas áreas.

Los métodos más nuevos han tomado un enfoque mejor al examinar cómo se distribuyen los genes en las poblaciones celulares. Esto ofrece una visión más detallada de las actividades génicas. Podemos diferenciar entre todas las células en una población (el fondo) y aquellas que expresan ciertos genes (el primer plano) para encontrar genes específicos que tienen patrones particulares en ciertos grupos de células.

Una técnica anterior llamada la Curva de Gini Polar (PGC) fue desarrollada para este propósito. Calcula el coeficiente de Gini entre las células que expresan genes y las células de fondo. Al rotar los datos 360 grados, crea una curva que compara las expresiones génicas. Sin embargo, este método tiene sus inconvenientes, especialmente cuando hay pocos puntos de datos. Puede dar resultados engañosos que sugieren una diferencia significativa cuando esa diferencia no está realmente presente, principalmente debido a datos escasos.

#Introducción de BioRSP

Para mejorar estos métodos tradicionales, creamos BioRSP, una nueva herramienta para analizar la expresión génica espacial. BioRSP usa un mecanismo similar a un radar para examinar la expresión génica desde diferentes ángulos alrededor de un punto central. Esto permite a los investigadores detectar patrones en la expresión génica que podrían no ser claros usando métodos estándar. Al revisar la expresión génica desde todas las direcciones, podemos encontrar áreas con alta expresión génica, lo que podría señalar actividades celulares específicas o regiones con baja expresión génica.

#Cómo funciona BioRSP

El método BioRSP comienza recolectando datos de expresión génica diferencial (DGE) de secuenciación de ARN o técnicas similares, asegurándose de que sean de buena calidad. Luego, se elige un punto de referencia central dentro del conjunto de datos para llevar a cabo el análisis. La ventana de escaneo se determina por un ángulo y un ancho, definiendo el rango de cada escaneo. La resolución se establece para decidir cuántas secciones dividir el ángulo para los cálculos. Además, se define un umbral para determinar el nivel mínimo de expresión génica que se incluirá en el análisis del primer plano. Finalmente, se establece el modo de comparación para decidir si comparar las expresiones directamente o escalarlas según el total de puntos.

Se aplican técnicas para reducir la dimensionalidad, como t-SNE, para visualizar datos complejos de expresión génica en dos dimensiones. Métodos de Agrupamiento ayudan a identificar diferentes grupos de células dentro de la visualización t-SNE. Los puntos de estos grupos se traducen luego a Coordenadas polares y se analizan según su disposición espacial.

#Simulaciones de referencia

Para probar BioRSP, realizamos simulaciones contra el enfoque PGC. Para estas simulaciones, creamos un conjunto de puntos dentro de un círculo para representar las ubicaciones celulares. Variamos hábilmente la cobertura de la expresión génica para ver qué tan preciso podía ser BioRSP reflejando estas situaciones. También desplazamos el centro de la cobertura para evaluar cómo el sesgo afectaba los resultados.

#Validación experimental

Para validar aún más BioRSP, lo aplicamos a un conjunto de datos real de tejido cardíaco neonatal de ratón. Este conjunto de datos contenía información de expresión génica para más de 5,000 genes en 10,000 células. Usando técnicas de agrupamiento, identificamos diferentes grupos celulares y luego nos enfocamos en pares de genes significativos basados en sus patrones de expresión espacial. Buscamos pares que tuvieran diferencias importantes en su distribución a través del espacio y construimos una Red para visualizar estas interacciones.

Al comparar BioRSP con el enfoque tradicional PGC, vimos que BioRSP hacía un mejor trabajo mostrando con precisión tanto distribuciones uniformes como sesgadas de la expresión génica. En escenas donde la expresión génica estaba distribuida uniformemente, los resultados eran circulares, mientras que las distribuciones sesgadas mostraban radios variables, indicando altas o bajas concentraciones de expresión génica.

#El papel de los puntos de vista

También examinamos cómo cambiar el punto central de análisis podría afectar los resultados. Por ejemplo, lo que parece una distribución uniforme desde un ángulo podría revelar concentración al verse desde otro. Esto muestra que el punto de vista puede impactar significativamente cómo interpretamos los datos.

#Ancho de la ventana de escaneo

Otro factor clave es el tamaño de la ventana de escaneo. Ventanas más pequeñas permiten observaciones más detalladas, resaltando variaciones sutiles y grupos localizados de expresión génica. En contraste, ventanas más grandes suavizan estos detalles, mostrando patrones más amplios en las poblaciones celulares.

#Perspectivas del análisis de redes

Las redes creadas para visualizar interacciones génicas significativas mostraron grupos con funcionalidades únicas. Por ejemplo, genes específicos actuaron como nodos centrales dentro de las redes, destacando sus roles en la estructura y organización celular. Este contexto ayuda a los investigadores a obtener mejores perspectivas sobre las actividades biológicas que ocurren dentro de los tejidos.

#Conclusión

El método BioRSP proporciona una nueva forma de analizar patrones de expresión génica espacial en las células, mejorando las técnicas tradicionales como la PGC. Permite un examen más detallado de las diferencias complejas dentro de los conjuntos de datos. Con su mecanismo de escaneo similar a un radar, BioRSP puede revelar patrones ocultos de expresión génica, lo cual es crucial para identificar biomarcadores potenciales y entender enfermedades como el cáncer. La aplicación de herramientas de aprendizaje automático junto con BioRSP podría mejorar aún más sus capacidades al encontrar automáticamente patrones de expresión espacial significativos y predecir sus roles biológicos.

#Información de apoyo

• Una lista completa de pares de genes identificados para diferentes grupos celulares.
• Visualizaciones de redes personalizadas para cada grupo, mostrando interacciones entre genes significativos.
• Métodos detallados y análisis de datos utilizados en el estudio.