Dans une étude publiée dans Méthodes naturellesune équipe de recherche dirigée par le professeur Qu Kun de l’Université des sciences et technologies de Chine (USTC) de l’Académie chinoise des sciences a évalué 16 méthodes d’intégration de la transcriptomique spatiale et unicellulaire pour la prédiction de la distribution des transcrits et la déconvolution des types cellulaires.
La localisation spatiale des cellules dans les tissus et les organes joue un rôle crucial dans l’exécution de ses fonctions spécifiques. Ces dernières années, les chercheurs ont développé diverses approches de transcriptomique spatiale pour détecter des données au niveau du transcriptome entier dans les cellules tout en maintenant une orientation spatiale précise. Cependant, les approches de transcriptomique spatiale existantes présentent deux lacunes. Les approches basées sur le séquençage de nouvelle génération ne pouvaient pas détecter la déconvolution unicellulaire de la tache. De plus, les approches basées sur l’hybridation in situ et la microscopie à fluorescence sont limitées dans le nombre total de transcrits d’ARN obtenus.
Dans cette perspective, les chercheurs ont développé diverses méthodes d’intégration pour combiner des données transcriptomiques spatiales avec des données d’ARN-seq (scRNA-seq) unicellulaires pour prédire la distribution spatiale des transcrits non détectés et/ou effectuer une déconvolution de type cellulaire des taches dans les coupes histologiques. Ces méthodes d’intégration ont sans aucun doute favorisé la compréhension des données de transcriptomique spatiale et des processus biologiques et pathologiques associés. Cependant, en raison de la diversité des principes de fonctionnement et du champ d’application, les chercheurs ont eu du mal à sélectionner les méthodes d’intégration optimales.
L’équipe de recherche dirigée par le professeur Qu travaille depuis longtemps sur le développement d’algorithmes d’analyse et de logiciels pour les mégadonnées biologiques. Dans cette étude, les chercheurs ont présenté l’analyse comparative de 16 méthodes d’intégration à l’aide de 45 ensembles de données appariés contenant à la fois des données de transcriptomique spatiale et de scRNA-seq et 32 ensembles de données simulées en fonction de leur précision, de leur robustesse et de leur consommation de ressources informatiques.
Selon les chercheurs, Cell2location, SpatialDWLS et Robust Decomposition of Cell Type (RCTD) étaient supérieurs aux autres méthodes d’intégration pour la déconvolution du type cellulaire des taches dans les coupes histologiques, tandis que Tangram, gimVI et Spatial Gene Enhancement (SpaGE) ont montré d’excellentes performances. par rapport à d’autres méthodes d’intégration pour prédire la distribution spatiale des transcrits d’ARN. Tangram, Seurat et Linked Inference of Genomic Experimental Relationships (LIGER) avaient une efficacité de calcul élevée et convenaient au traitement d’ensembles de données à grande échelle.
Cette étude conclut l’attribut, la performance et l’applicabilité de chaque méthode d’intégration et les avantages des méthodes à haute efficacité. Il aide les chercheurs à améliorer encore ces algorithmes.
L’équipe partage également un processus de référence d’intégration des données de transcriptomique spatiale avec les données de scRNA-seq sur GitHub pour aider les chercheurs à sélectionner les méthodes d’intégration optimales pour traiter leurs ensembles de données.
Bin Li et al, Analyse comparative des méthodes d’intégration de la transcriptomique spatiale et unicellulaire pour la prédiction de la distribution des transcrits et la déconvolution du type cellulaire, Méthodes naturelles (2022). DOI : 10.1038/s41592-022-01480-9