細胞相互作用分析の新しい洞察
新しいツールが細胞間の相互作用とその臨床的影響の研究を助けるんだ。
― 1 分で読む
目次
細胞とその相互作用の研究は、器官や生物がどのように発展し機能するかを理解するのにめっちゃ重要だよね。特に腫瘍みたいな病気を見るときはさ。最近の単一細胞RNAシーケンシングの進展で、研究者たちはいろんな動物モデルや病気の中で様々な細胞タイプや状態を観察できるようになったんだ。これによって、臨床で重要な新しいシグナル経路が特定されてきた。でも、単一細胞シーケンシングのために組織を分解する過程で、固体組織内での細胞の相互作用に関する重要な空間情報が失われちゃうんだ。この損失は、生物学的または臨床的な質問において異なる細胞タイプ間の関係を明らかにするのを難しくする。
この懸念に対処するために、細胞データを分析しつつ空間情報を保持する新しい方法が出てきた。これらの方法は、サンプルの構造を維持しながら、いくつかのタンパク質や何千もの遺伝子転写物を調べることができるんだ。様々なツールが作られて、空間的かつ分子的な情報を一緒に分析することや、細胞が空間的にどのように整理されているかのパターンを見つけることができる。これらの新しい方法が promising なものだとしても、生成された複雑なデータを分析するのは大変で、使える生物学的または臨床的な情報を抽出するのが難しいんだよね。
Multi-Omics Spatial Networks Analysis Library (mosna) の紹介
空間的に解決された実験の分析を研究者にとって簡単にするために、Multi-Omics Spatial Networks Analysisライブラリ(mosna)が開発された。このツールは、細胞間の関連する相互作用や、実験的または臨床的条件に関連する空間的な組織特徴を発見するのに役立つんだ。このライブラリは、異なる細胞タイプ間の相互作用の好みを計算し、細胞グループがどのように相互作用するかについての統計的洞察を提供する行列を計算することができる。
mosnaは、細胞タイプやマーカー情報などの様々な特徴に基づいて重要な細胞の近隣を特定する方法も取り入れている。これらの近隣を理解することは、異なる患者や生物学的条件からのサンプルを比較するのに重要だ。また、mosnaには、これらの特徴を実験的または臨床的条件に関連付けて分析し、その重要性をテストするためのツールも含まれていて、特に免疫療法などの治療への反応に関連するバイオマーカーを特定するのに役立つ。
mosnaの機能を示すために、異なる治療反応を持つ患者からの空間的に解決されたプロテオミクスデータセットの分析に適用することができる。このライブラリは、研究者が臨床情報に関連する空間データを分析することを促す使いやすいフレームワークを提供し、基本的な分析からより複雑な評価へと進むことができる。
空間ネットワークの構築
mosnaは、組織を空間ネットワークとして表現するためにtysserandというライブラリを利用している。このフレームワークでは、細胞はネットワーク内のノードと考えられ、物理的な近接性を示すエッジがそれらを結ぶ。このアプローチは、画像ベースのプロテオミクスやトランスクリプトミクスなど、様々な空間測定方法で機能する。この表現の柔軟性により、2Dおよび3Dネットワークを構築し、細胞の配置を迅速かつ正確に分析できる。
データからネットワークを作成する際は、ノードの配置に基づいてリンクし、Delaunay三角形分割という方法を使って不規則に配置されたノード間の接続を確立する。これにより、細胞間の距離のばらつきによって生じるエラーを排除できる。細胞タイプや関心領域、分子カウントに関連する属性をこれらのノードに追加することができる。
抽出された特徴を用いた機械学習モデルのトレーニング
予測タスクを含むアプリケーションでは、mosnaを使用すると機械学習モデルのトレーニングが簡単にできる。治療が効果的かどうかのような二項結果には、ロジスティック回帰モデルを使用して、交差検証を行って正確性を確保する。生存データには、Cox比例ハザードモデルを使用して、生存率に有意な影響を与える変数を特定する。
このライブラリは、モデルで使用される異なる特徴の重要性を判断するための重要な指標を計算できるため、臨床的なコンテキストで重要な要因を明らかにするのに役立つ。これにより理解が深まり、新しい研究の質問を形成する手助けになる。
細胞相互作用の分析
異なる細胞タイプがどのように相互作用するかをよりよく理解するために、mosnaは混合行列(MM)とアソータビリティ係数(AC)を計算できる。混合行列は、さまざまな細胞タイプ間の関係を示し、アソータビリティ係数はネットワーク内でのノードの類似性がどのくらいあるかを示す。これにより、治療への反応を理解するのに重要なパターンへの洞察が得られる。
mosnaのユニークな特徴は、排他的でない属性に対してもこれらの指標を計算できることだ。つまり、特定の特性を共有する細胞同士の相互作用を見られるので、空間オミクスデータ内での関係をより広く理解できるんだ。
構造化された分析パイプライン
mosnaは、空間オミクスデータを分析し、臨床情報に接続するための構造化されたパイプラインに従っている。このプロセスは、一般的に研究で使用される指標である細胞タイプの割合を計算することから始まる。その後、混合行列を通じて細胞タイプ間の相互作用を評価し、Neighbors Aggregation Statisticsのような技術を使用してニッチなどのより複雑な特徴を特定する。
分析の各段階で、研究者は記述統計や視覚化を生成し、結果や生存率を予測するために機械学習モデルをトレーニングすることができる。この体系的なアプローチにより、科学者は基本的な仮説から始め、得られた結果に基づいてより複雑な質問を徐々に探求することができる。
治療反応のパターンの観察
mosnaフレームワークは、免疫療法のような治療への反応を調べる研究で特に役立つ。anti-PD-1免疫療法を受けた患者からのデータセットにmosnaを適用することで、研究者はポジティブまたはネガティブな治療反応と相関する細胞タイプの空間的パターンを特定できる。
初期の分析では、基本的な細胞タイプの割合が治療反応を信頼性よく予測できないことが示されたけど、細胞タイプ比や相互作用スコアといったより複雑な特徴を使うと、反応者と非反応者の区別が良くなる。このことは、細胞の空間的配置が治療結果の理解に深い洞察を提供できることを示している。
細胞ニッチの発見
ニッチやローカルな細胞コミュニティの概念は、さまざまな細胞タイプが組織の機能性にどう貢献するかを理解するのに重要だ。mosnaは、隣接する細胞からのデータを集約し、異なるニッチを区別するための重要な統計を特定することで、これらのニッチを見つける方法を取り入れている。
これらの近隣の差分分析を行うことで、研究者は治療反応に影響を与えるかもしれない細胞タイプやその相互作用の重要な違いを明らかにできる。これらの細胞近隣を理解することで、健康や病気に関連する微細解剖構造を特定できるんだ。
ケーススタディ:乳がんと生存分析
mosnaの機能をさらに示すために、乳がんデータセットの評価に利用された。このライブラリを使うことで、研究者は遺伝子や臨床情報に関連する空間オミクスデータを分析して、患者の生存に関連する腫瘍微小環境の重要な構造を特定できる。
細胞タイプの割合を使った初期の分析では、あまり生存との関連が見つからなかった。しかし、細胞タイプ間の相互作用を調べると、患者の結果と相関する特定の組み合わせが浮かび上がる。この研究から得られた洞察は、患者の層別化を改善し、よりターゲットを絞った治療法の形成に役立つ。
結論
空間的に解決されたオミクスデータを分析する能力は、細胞が健康や病気の状態でどのように相互作用し機能するかを理解する上で独特の機会を提供している。Multi-Omics Spatial Networks Analysisライブラリ(mosna)は、このプロセスを大いに助けて、空間データと臨床的な結果を統合するための構造化された柔軟なフレームワークを提供する。
ますます洗練された仮説を探求し、細胞間の重要な相互作用を計算し、関連するニッチを特定する能力を提供することで、mosnaは研究者が重要な生物学的経路や治療ターゲットを特定する可能性を高める。この革新的なツールは、研究と臨床環境で利用可能な豊富な空間データを活用し続けるための貴重な資産となるだろう。
タイトル: mosna reveals different types of cellular interactions predictive of response to immunotherapies and survival in cancer
概要: Spatially resolved omics enable the discovery of tissue organization of biological or clinical importance. Despite the existence of several methods, performing a rational analysis including multiple algorithms while integrating different conditions such as clinical data is still not trivial. To make such investigations more accessible, we developed mosna, a Python package to analyze spatial omics data with respect to clinical or biological data and to gain insight on cell interaction patterns or tissue architecture of biological relevance. mosna is compatible with all spatial omics methods, it leverages tysserand to build accurate spatial networks, and is compatible with Squidpy. It proposes an analysis pipeline, in which increasingly complex features computed at each step can be explored in integration with clinical data, either with easy-to-use descriptive statistics and data visualization, or by seamlessly training machine learning models and identifying variables with the most predictive power. mosna can take as input any dataset produced by spatial omics methods, including sub-cellular resolved transcriptomics (MERFISH, seqFISH) and proteomics (CODEX, MIBI-TOF, low-plex immuno-fluorescence), as well as spot-based spatial transcriptomics (10x Visium). Integration with experimental metadata or clinical data is adapted to binary conditions, such as biological treatments or response status of patients, and to survival data. We demonstrate the proposed analysis pipeline on two spatially resolved proteomic datasets containing either binary response to immunotherapy or survival data. mosna identifies features describing cellular composition and spatial distribution that can provide biological insight regarding factors that affect response to immunotherapies or survival. Availability and implementationmosna is made publicly available to the community, together with relevant documentation and tutorials implemented as Jupyter notebooks to reproduce the result at https://github.com/AlexCoul/mosna
著者: Alexis Coullomb, V. Pancaldi, P. Monsarrat
最終更新: 2024-09-23 00:00:00
言語: English
ソースURL: https://www.biorxiv.org/content/10.1101/2023.03.16.532947
ソースPDF: https://www.biorxiv.org/content/10.1101/2023.03.16.532947.full.pdf
ライセンス: https://creativecommons.org/licenses/by-nc/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた biorxiv に感謝します。