Ein Team von Vanderbilt-Forschern hat eine neue Benchmarking-Studie veröffentlicht, die Wissenschaftler bei der Auswahl der effektivsten Methoden zur Analyse räumlicher Transkriptomikdaten (ST) unterstützen soll.
Die von Xin Maizie Zhou, Assistenzprofessor für Biomedizintechnik und Informatik, geleitete Studie evaluiert Rechenwerkzeuge in der räumlichen Transkriptomik (ST), einer Technologie zur Kartierung von Genexpressionsmustern in Geweben unter Beibehaltung des räumlichen Kontexts. Es war vor kurzem veröffentlicht In Genombiologie.
Bei der ST wird eine Gewebeprobe in Scheiben geschnitten und auf einem speziell entwickelten Objektträger mit räumlich indizierten Barcodes platziert. Wenn das Gewebe verarbeitet wird, wird die Ribonukleinsäure (RNA) an jeder spezifischen Stelle des Gewebes durch diese Barcodes erfasst. Nach der Sequenzierung der RNA können die Daten auf die ursprünglichen Gewebestellen zurückgeführt werden, sodass Forscher visualisieren können, wo bestimmte Gene innerhalb der Gewebearchitektur exprimiert werden.
Seit ihrem weit verbreiteten Einsatz im Jahr 2020 hat diese bahnbrechende Sequenzierungstechnologie das Verständnis komplexer Gewebe revolutioniert. Zu den Anwendungen der ST gehören die Krebsforschung und die Neurowissenschaften, beispielsweise die Kartierung der Genexpression in Teilen des Gehirns, um regionale Funktionen oder Krankheitsmechanismen zu verstehen.
Allerdings kann die Vielfalt der verfügbaren Tools zur Analyse von ST-Daten überwältigend sein, was es schwierig macht, den richtigen Ansatz für spezifische Forschungsanforderungen zu wählen.
Um das Problem anzugehen, verglich das Vanderbilt-Team systematisch 16 Clustering-Methoden, fünf Alignment-Methoden und fünf Integrationsmethoden in verschiedenen Datensätzen. Ihre Ergebnisse bieten praktische Empfehlungen für Forscher, die mit räumlicher Transkriptomik arbeiten, und helfen ihnen, Werkzeuge zu identifizieren, die ihren Forschungsanforderungen am besten entsprechen.
„Unser Ziel war es, Forschern einen klaren und zugänglichen Leitfaden zur Verfügung zu stellen, der sich mit den Optionen der räumlichen Transkriptomanalyse vertraut macht“, sagte Zhou, der zu den Lehrkräften am transinstitutionellen Data Science Institute in Vanderbilt gehört. „Wir hoffen, dass diese Studie eine nützliche Ressource für alle sein wird, die in diesem schnell wachsenden Bereich arbeiten.“
Weitere Informationen:
Yunfei Hu et al., Benchmarking von Clustering-, Alignment- und Integrationsmethoden für die räumliche Transkriptomik, Genombiologie (2024). DOI: 10.1186/s13059-024-03361-0