Avanços na Biologia Espacial com a Ferramenta TACIT
O TACIT melhora a identificação de tipos celulares pra dar insights melhores sobre o tratamento de doenças.
― 5 min ler
Índice
A biologia espacial é uma área de estudo super interessante que examina como diferentes Tipos de Células estão organizadas em seus ambientes naturais. Esse campo ajuda os cientistas a entender como as células interagem, o que pode levar a tratamentos melhores para doenças. Recentemente, novas tecnologias para observar células individuais melhoraram muito nossa capacidade de estudar essas interações em detalhes.
A Necessidade de Ferramentas Melhores
À medida que a biologia espacial avançou, ficou claro que precisávamos de ferramentas melhores para analisar os dados complexos. Os métodos atuais podem ser demorados e propensos a erros. Esses desafios surgem de problemas como ruído nas imagens e a necessidade de muitos marcadores específicos para identificar as células.
O Papel do TACIT
Para lidar com esses desafios, os pesquisadores criaram o TACIT, uma nova ferramenta que usa uma abordagem inteligente para identificar tipos de células com base nas expressões de marcadores. O TACIT melhora o processo agrupando as células de forma mais precisa, facilitando a busca por tipos de células raras que podem impactar os tratamentos.
Como o TACIT Funciona
Visão Geral do Fluxo de Trabalho
O primeiro passo para usar o TACIT envolve a imagem do tecido para capturar informações de proteínas e genes. Depois que as imagens são processadas e limpas, uma matriz é criada para organizar esses dados. Em seguida, as células são agrupadas em microclusters, ajudando a identificar comunidades de células similares.
Uma vez que os microclusters estão montados, o TACIT calcula pontuações para medir quão bem cada célula corresponde aos tipos de células pré-definidos. Essas pontuações ajudam a determinar quais células pertencem a quais tipos. A ferramenta otimiza os limites para a classificação, permitindo uma rotulagem de células mais precisa.
Processo Detalhado
Imagens e Segmentação: O tecido é imaginado usando dois métodos: um para proteínas e outro para expressão gênica. As imagens são então segmentadas para identificar as bordas de cada célula.
Criação de Matriz de Características das Células: Após a segmentação, uma matriz é criada onde cada entrada representa as informações sobre um marcador específico dentro de cada célula.
Formação de Microclusters: As células são agrupadas em microclusters que capturam características semelhantes, ajudando a identificar seus tipos com base em características compartilhadas.
Pontuação de Relevância do Tipo Celular: Para cada célula, pontos de relevância são calculados para avaliar quão bem ela corresponde a tipos de células conhecidos com base nos perfis de marcadores.
Otimização de Limites: O TACIT estabelece um limite para categorizar as células como pertencentes a um tipo específico ou não, aumentando a precisão geral.
Resolução de Identidades Misturadas: Algumas células podem corresponder a múltiplos tipos. O TACIT resolve essas ambiguidades analisando células vizinhas e suas identidades.
Validação e Aplicações no Mundo Real
O TACIT foi validado em comparação com anotações de especialistas usando vários conjuntos de dados, mostrando sua precisão e escalabilidade. A ferramenta foi integrada a aplicações que revelam novas associações em doenças, como a Doença de Sjögren e a Doença enxerto-versus-hospedeiro.
Avaliação de Desempenho
Em vários testes, o TACIT superou outros métodos em termos de precisão na identificação de diferentes tipos de células. Por exemplo, em conjuntos de dados relacionados a câncer colorretal e intestinos saudáveis, o TACIT consistentemente mostrou métricas de desempenho melhores em comparação com ferramentas existentes.
Enfrentando Desafios na Identificação de Tipos Celulares
Identificar tipos de células em tecidos complexos não é fácil. Métodos tradicionais podem deixar de lado tipos raros de células ou classificá-los incorretamente. O TACIT supera esses obstáculos utilizando uma abordagem sistemática que enfatiza a importância de se familiarizar com expressões de marcadores que são características de tipos celulares específicos.
Aplicações na Pesquisa de Doenças
O potencial do TACIT se estende à pesquisa clínica, onde pode levar a tratamentos personalizados. Ao identificar com precisão uma ampla gama de tipos de células, o TACIT fornece insights que podem melhorar os resultados dos pacientes e ajudar os médicos a criar planos de tratamento mais eficazes. Seu uso pode ajudar a entender o ambiente celular de várias doenças, possibilitando terapias mais direcionadas.
Combinando Proteômica Espacial e Transcritômica
Outro aspecto empolgante do TACIT é sua capacidade de analisar tanto a proteômica espacial quanto a transcritômica na mesma lâmina. Essa combinação oferece uma visão mais detalhada da paisagem celular e pode ajudar a identificar como diferentes tipos de células se comunicam e interagem em seu ambiente.
Conclusão
Resumindo, o TACIT representa um avanço significativo no campo da biologia espacial. Ao simplificar o processo de identificação de tipos celulares, não apenas melhora a precisão, mas também abre novas avenidas para pesquisa e aplicações clínicas. À medida que o campo continua a evoluir, ferramentas como o TACIT serão cruciais para desvendar as complexidades das interações celulares e suas implicações para a saúde humana.
Título: Spatial Deconvolution of Cell Types and Cell States at Scale Utilizing TACIT
Resumo: Identifying cell types and states remains a time-consuming and error-prone challenge for spatial biology. While deep learning is increasingly used, it is difficult to generalize due to variability at the level of cells, neighborhoods, and niches in health and disease. To address this, we developed TACIT, an unsupervised algorithm for cell annotation using predefined signatures that operates without training data, using unbiased thresholding to distinguish positive cells from background, focusing on relevant markers to identify ambiguous cells in multiomic assays. Using five datasets (5,000,000-cells; 51-cell types) from three niches (brain, intestine, gland), TACIT outperformed existing unsupervised methods in accuracy and scalability. Integration of TACIT-identified cell with a novel Shiny app revealed new phenotypes in two inflammatory gland diseases. Finally, using combined spatial transcriptomics and proteomics, we discover under- and overrepresented immune cell types and states in regions of interest, suggesting multimodality is essential for translating spatial biology to clinical applications.
Autores: Jinze Liu, K. Huynh, K. M. Tyc, B. F. Matuck, Q. T. Easter, A. Pratapa, N. V. Kumar, P. Perez, R. Kulchar, T. Pranzatelli, D. Souza, T. M. Weaver, X. Qu, L. Alberto Valente Soares Junior, M. Dolhnokoff, D. E. Kleiner, S. M. Hewitt, L. Fernando Ferraz da Silva, V. Rocha, B. M. Warner, K. M. Byrd
Última atualização: 2024-06-03 00:00:00
Idioma: English
Fonte URL: https://www.biorxiv.org/content/10.1101/2024.05.31.596861
Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.05.31.596861.full.pdf
Licença: https://creativecommons.org/licenses/by-nc/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.
Ligações de referência
- https://github.com/plevritis-lab/CELESTA/tree/main
- https://github.com/jcao89757/SCINA
- https://github.com/nolanlab/CODEX
- https://data.mendeley.com/datasets/mpjzbtfgfr/1
- https://github.com/nolanlab/CellVisionSegmenter
- https://datadryad.org/stash/dataset/doi:10.5061/dryad.pk0p2ngrf
- https://scp.biomage.net/
- https://biomage.net/
- https://qupath.readthedocs.io/en/latest/docs/advanced/stardist.html
- https://www.nature.com/articles/s41467-023-40218-9
- https://doi.org/10.5281/zenodo.5256256