Anlatı derlemesi incelemesi

Mekansal Transkriptomik Teknolojilerindeki Gelişmeler ve İlgili Veri Analizi Stratejileri

Biyomedikal araştırmalarda doku mimarisinin ve hücresel heterojenliğin anlaşılması, hücresel etkileşimler ile mikreçevre ilişkilerini çözebilmek adına kritik önem taşımaktadır. Geleneksel tek hücre RNA sekanslama (scRNA-seq) yöntemleri, dokuyu ayrıştırırken hücrelerin fizyolojik mekansal konum bilgisini yok etmektedir.

Makalenin anahtar kelimeleri

Yazar: Jun Du et al.
Yayın: Journal of Translational Medicine
Tarih: 2023-05-18
DOI: 10.1186/s12967-023-04150-2

Makalenin Kapsamı ve Akademik İçeriği

Biyomedikal araştırmalarda doku mimarisinin ve hücresel heterojenliğin anlaşılması, organ fizyolojisi ile hastalık patojenezinin aydınlatılmasında temel bir role sahiptir. Geleneksel tek hücre RNA sekanslama teknolojileri hücresel düzeyde transkriptomik profilleme imkânı sunsa da, dokunun enzimatik veya mekanik olarak ayrıştırılması sürecinde hücrelerin özgün fizyolojik konum bilgisi kaybolmaktadır. Bu teknik sınırlılık, hücresel etkileşim ağlarının ve mikroçevre ilişkilerinin tam olarak çözümlenmesini engellemektedir. Son yıllarda ivme kazanan mekansal transkriptomik teknolojileri, gen anlatım verilerini korunan doku kesitleri üzerinde özgün koordinatlarıyla eşleştirerek bu sorunu ortadan kaldırmaktadır.

Derleme niteliğindeki bu çalışmada, mevcut mekansal transkriptomik platformları teknik mekanizmalarına göre dört ana grupta sınıflandırılmakta ve analiz edilmektedir. Araştırmacılar mikrodiseksiyon, in situ hibridizasyon, in situ sekanslama ve mekansal barkodlama tekniklerinin çözünürlük, gen tespit kapasitesi, hassasiyet ve uygulama kolaylıklarını karşılaştırmalı olarak incelemektedir. Ayrıca R ve Python ekosistemlerinde geliştirilen biyoenformatik yazılımların veri ön işleme, kümeleme, mekansal değişken genlerin tespiti, hücre tipi dekonvolüsyonu ve tek hücre verileriyle entegrasyon süreçlerindeki matematiksel algoritmaları ayrıntılı biçimde çözümlenmektedir.

Çalışmanın bulguları, in situ hibridizasyon ve in situ sekanslama yöntemlerinin hücresel ve hücre altı çözünürlük sunduğunu, ancak gen tespiti açısından önceden tasarlanmış problara bağımlı olabildiğini göstermektedir. Buna karşın mekansal barkodlama teknikleri (10x Genomics Visium, Slide-seq, Seq-Scope) tüm transkriptom düzeyinde tarafsız veri elde edilmesine olanak tanımakla birlikte, leke (spot) boyutuna bağlı olarak çoklu hücre karışımı içerebilmektedir. Biyoenformatik araçların (Seurat, Tangram, SpatialDE, SPARK, CARD) bu teknik sınırlılıkları gidermede, eksik verileri tahmin etmede (imputation) ve hücresel iletişimi modellemede kritik işlev gördüğü saptanmıştır.

Sonuç ve tartışma bölümünde, mekansal transkriptomik yöntemlerin tümör heterojenliği, nörobiyoloji ve gelişimsel biyoloji alanlarındaki dönüştürücü rolü vurgulanmaktadır. Makale, tek hücre RNA sekanslama verileri ile mekansal transkriptomik verilerinin organik entegrasyonunun klinikte tanısal ve tedaviye yönelik potansiyelini öne çıkarmaktadır. Türk araştırmacılar için bu çalışma, deneysel metodoloji seçiminden biyoenformatik veri analiz hattının kurgulanmasına kadar olan süreçte kapsayıcı bir rehber niteliği taşımakta ve omiks teknolojilerindeki gelecek araştırmalara teorik altyapı sunmaktadır.

Araştırmanın amacı

Mevcut mekansal transkriptomik teknolojilerinin teknik özelliklerini, avantaj ve dezavantajlarını özetlemek; bu tekniklerin biyomedikal araştırmalardaki kullanım alanlarını sunmak ve mekansal transkriptomik veri analizinde kullanılan hesaplamalı stratejileri kapsamlı bir şekilde incelemektir(Du et al., 2023, s. 2).

İnceleme ve modelleme yöntemi

Bu çalışma, mekansal transkriptomik teknolojilerini dörde ayırarak teknik niteliklerini, biyomedikal uygulama alanlarını ve hesaplamalı veri analizi stratejilerini sistematik olarak derleyen kuramsal bir incelemedir(Du et al., 2023).

Kuramsal ve kavramsal çerçeve

Çalışma, doku fonksiyonlarının ve hastalık patojenezinin hücresel mikroçevre içerisindeki mekansal organizasyona ve hücresel etkileşim ağlarına dayandığını savunan doku heterojenliği ve hücresel iletişim kuramsal çerçevesine oturmaktadır. Biyolojik süreçlerin tam olarak anlaşılabilmesi için transkriptom profilinin fizyolojik konum bilgisiyle entegre edilmesi gerektiği ilkesi benimsenmiştir.

Makalenin ele aldığı literatür

Makale, tek hücre RNA sekanslamanın doku ayrıştırma protokollerinden kaynaklanan teknik sınırlılıklarını ve transkriptom kaybı literatürünü ele almakta; mikrodiseksiyon tabanlı (LCM, Geo-seq), in situ hibridizasyona dayalı (smFISH, MERFISH, seqFISH), in situ sekanslama esaslı (ISS, FISSEQ, ExSeq, STARmap) ve mekansal barkodlama yaklaşımını kullanan (Visium, Slide-seq, HDST, Seq-Scope) deneysel ve biyoenformatik literatürünü bütüncül olarak değerlendirmektedir.

Araştırmanın Bulguları

Mikrodiseksiyona dayalı teknikler belirli doku bölgelerinden yüksek hassasiyetle örnek almayı sağlarken, laboratuvar iş yükü ve sınırlı hücre çözünürlüğü nedeniyle geniş ölçekli doku analizlerinde kısıtlı kalmaktadır(Du et al., 2023, s. 3).

In situ hibridizasyon yöntemleri tekil transkriptlerin doku içerisindeki konumlarını alt hücresel çözünürlükte görüntüleyebilir; ancak optik çakışmalar ve prob sentezi gereksinimleri nedeniyle eşzamanlı incelenen gen sayısında tespit sınırları taşır(Du et al., 2023, s. 7).

In situ sekanslama yöntemleri hücresel doku yapısını bozmadan mekansal düzeyde gen ifadesi analizi yapılmasına imkân tanır ve ekstraksiyon sapmalarını önler, ancak hedefleme için ön bilgi veya padlock probları gerektirebilir(Du et al., 2023, s. 8).

Mekansal barkodlama teknolojileri gen ifadesi verileri ile mekansal koordinat bilgilerini aynı anda elde etmeyi sağlar; buna karşın çözünürlük arttıkça ortaya çıkan veri seyreksizliği ve teknik gürültü hesaplamalı düzeltmeler gerektirir(Du et al., 2023, s. 9).

Hesaplamalı gen imputasyon yöntemleri deneysel hassasiyet yetersizliklerinden kaynaklanan veri kayıplarını tahmin ederek mekansal veri kümesindeki eksik gen ifadelerini tamamlar ve hücresel dekonvolüsyon doğruluğunu artırır(Du et al., 2023, s. 15).

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

Mekansal transkriptomik alanındaki deneysel ve hesaplamalı gelişmeler, dokulardaki hücresel heterojenliğin ve mikroçevre etkileşimlerinin özgün anatomik bağlam bozulmadan incelenebileceğini göstermektedir. Dört ana deneysel kategori olan mikrodiseksiyon, in situ hibridizasyon, in situ sekanslama ve mekansal barkodlama yöntemlerinin her biri çözünürlük, gen tespit kapasitesi ve işlem hacmi açısından belirgin avantaj ve kısıtlılıklar sunmaktadır.

Yazarlar, deneysel platformların tek başına hücre içi bilgi ile mekansal konumu tam çözünürlükte sunmadığı durumlarda hesaplamalı biyoinformatik araçlarının kritik bir tamamlayıcı unsur olduğunu vurgulamaktadır. Özellikle kümeleme, mekansal değişken genlerin tespiti, dekonvolüsyon ve gen imputasyonu gibi veri analizi stratejileri, deneysel gürültüleri ve veri kayıplarını hafifleterek biyolojik sinyalin doğruluğunu yükseltmektedir.

Tartışma bölümünde literatürdeki dekonvolüsyon ve gen haritalama algoritmaları karşılaştırılarak, Seurat, Tangram, SPARK ve CARD gibi R/Python paketlerinin performans farkları değerlendirilmiştir. Tek hücre RNA sekanslama veri kümeleri ile mekansal transkriptomik verilerinin entegrasyonu, hücre tiplerinin doku üzerindeki konumlarını ve hücreler arası ligand-reseptör haberleşme hatlarını yüksek kesinlikle haritalandırmaktadır.

Sonuç olarak, mekansal transkriptomik tekniklerinin çoklu omik verileriyle birleştirilmesi ve yapay zeka tabanlı hesaplamalı modellerle desteklenmesi, kanser biyolojisi ve gelişimsel süreçlerdeki belirsizlikleri giderme potansiyeli taşımaktadır. Gelecekte sub-hücresel çözünürlüğün ve klinik FFPE doku örnekleri uyumluluğunun artması, bu yöntemlerin translasyonel tıpta rutin tanı ve tedavi hedefi tespiti için kullanımını yaygınlaştıracaktır.

Bulguların Önceki Araştırmalarla Karşılaştırılması

Yazarlar, SPARK yönteminin cezalı yarı-olabilirlik algoritmasına dayalı genelleştirilmiş lineer mekansal model kullanarak, önceki SpatialDE ve trendsceek yaklaşımlarında görülen yüksek Tip I hata oranlarını ve düşük istatistiksel gücü aştığını, böylece büyük ölçekli mekansal transkriptomik veri kümelerini daha güvenilir analiz edebildiğini vurgulamaktadır(Du et al., 2023, s. 9).

Yazarlar, CARD dekonvolüsyon yönteminin pozitif olmayan matris faktörizasyonu ve koşullu otoregresif modele dayanarak SPOTlight, RCTD ve SpatialDWLS gibi mevcut yöntemlere kıyasla tek hücre RNA sekanslama verileriyle yapılan korelasyon analizlerinde daha yüksek hücresel ayrıştırma doğruluğu sunduğunu göstermektedir(Du et al., 2023, s. 15).

Sonuç Bölümünün Sunduğu Çıkarımlar

Mekansal transkriptomik teknolojileri ve gelişen biyoinformatik analiz stratejileri, doku mimarisinin ve hastalık mikroçevrelerinin hücresel düzeyde anlaşılmasında devrim niteliğinde ilerlemeler sağlamaktadır. Mevcut teknik sınırların aşılması ve tek hücre RNA sekanslama verileriyle daha etkin bütünleştirilmesi, translasyonel tıp ve klinik tanı süreçlerinde yeni ufuklar açacaktır(Du et al., 2023, s. 18).

Literatür Taraması İçin Sunduğu Çerçeve

Bu derleme makalesi, hizla gelisen mekansal transkriptomik alaninda hem islak laboratuvar teknolojilerini hem de kuru laboratuvar biyoinformatik analiz araclarini bir araya getiren kapsamli bir rehber gorevi gormektedir. Tek hucre duzeyinde RNA dizilemenin doku butunlugunu bozma sınırliligini asan mekansal yöntemleri mikrodiseksiyon, in situ hibridizasyon, in situ sekanslama ve mekansal barkodlama olmak üzere dort ana kategoride siniflandirir. Makale, araştırmacilara hangi biyolojik probleme hangi teknolojik platformun ve analiz algoritmasinin uygun olacagini gösteren butuncul bir karar verme matrisi sunarak literatürde onemli bir boslugu doldurmaktadir.

Çalışma, mekansal transkriptomik alanindaki ilk cigir acici çalışmalardan gunumuze kadar olan evrimi kronolojik ve tematik bir yaklaşimla ele alir. Önceki çalışmalarin genellikle ya sadece deneysel protokollere ya da sadece biyoinformatik paketlere odaklandigi nis alanlari birlestirir. Özellikle, düşük cozunurluklu barkodlama yöntemlerinin tek hucre RNA sekanslama veri kumeleriyle nasıl entegre edilecegini tartisarak, dekonvolusyon algoritmalarinin önceki modellere gore gösterdiği gelişimi ve ustunluklerini derinlemesine açıklar. Bu sayede literatürdeki metodolojik bosluklari basariyla kapatir.

Bu makale, Turk biyomedikal araştırmacilari için karmasik mekansal veri analizi ekosistemini haritalandirarak literatür taramasi süreçini son derece kolaylastirmaktadir. Hangi R ve Python paketinin hangi algoritmayi kullandigini, hangi veri formatlarina ihtiyac duydugunu ve hangi sınırliliklara sahip oldugunu tek bir cati altinda sunar. Bu yonuyle translasyonel tip araştırmalarında deneysel tasarim asamasindan veri analizi ve klinik yorumlama asamasina kadar her adimda basvurulabilecek bir sentez rehberidir yardimci bir kaynak niteligindedir.

Kaynakça

Sun, S., Zhu, J., Zhou, X. (2020). Statistical analysis of spatial expression patterns for spatially resolved transcriptomic studies. Nature Methods, 17(2), 193-200. https://doi.org/10.1038/s41592-019-0701-7
Ma, Y., Zhou, X. (2022). Spatially informed cell-type deconvolution for spatial transcriptomics. Nature Biotechnology, 40(9), 1349-1359. https://doi.org/10.1038/s41587-022-01273-7

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

Tez veya makalede kullanım · literatüre-review

Tek hucre RNA sekanslama yöntemleri doku butunlugunu bozdugu için huresel iletisim aglarinin mekansal bağlamda çözümlenmesini zorlastirmaktadir.

Tez yaziminda tek hucre dizileme yöntemlerinin temel kisitliliklarini ve mekansal transkriptomik teknolojilerine duyulan ihtiyaci gerekcelendirmek için kullanılir(Du et al., 2023).

Mide Kanseri Tumor Mikroçevresinin Mekansal ve Tek Hucreli Analizi

Araştırma sorusu: CARD dekonvolusyon algoritmasi kullanılarak mide kanseri doku kesitlerindeki kanserle ilişkili fibroblastlarin mekansal dagilimi ile tumor infiltrasyonu arasinda nasıl bir ilişki kurulabilir?
Yöntem taslağı: Mide kanseri hastalarindan alinacak dondurulmus doku kesitlerinde 10x Genomics Visium ile mekansal veri toplanacaktir. Ayni hastalardan elde edilen scRNA-seq veri kumesi referans alinarak CARD algoritmasi ile dekonvolusyon yapilacak ve mekansal dagilimlar regresyon analizleriyle modellenecektir. Örneklem büyüklüğü veri doygunluğuna göre belirlenecektir.

Makaleyle bağlantısı: Makalede dekonvolusyon algoritmalarinin düşük cozunurluklu lekelerdeki heterojenligi cozmedeki onemi ve CARD paketinin diğer yöntemlere kiyasla yüksek doğrulugu vurgulanmaktadir(Du et al., 2023, s. 15).

Tez veya makalede kullanım · Kavramsal çerçeve

Mekansal dekonvolusyon algoritmalari, düşük cozunurluklu mekansal transkriptomik noktalarindaki karmasik hucre populasyonlarini tek hucre verileriyle eslestirerek cozebilir.

Biyoinformatik veya sistem biyolojisi tezlerinde, veri analizi is akisinda kullanılacak dekonvolusyon yöntemlerinin teorik altyapisini kurmak için kullanılir(Du et al., 2023, s. 15).

Insan Dorsal Kok Gangliyonlarinda Agri Yolaklarinin Mekansal Haritalandirilmasi

Araştırma sorusu: Insan dorsal kok gangliyonu dokularinda agriya duyarli nosiseptor alt populasyonlarinin spesifik gen ifade profilleri in situ hibridizasyon ile alt-huresel duzeyde nasıl gorsellestirilebilir?
Yöntem taslağı: Insan postmortem DRG kesitlerinde smFISH yöntemi kullanılarak nosiseptor spesifik genler (orn. TRPV1, SCN9A) hedef alinacaktir. Goruntuleme sonuçunda elde edilen sinyal yoğunluklari ve mekansal koordinat verileri alt-huresel duzeyde kantitatif piksel analizi ile değerlendirilecektir. Örneklem gücü istatistiksel analizler için güç analiziyle hesaplanacaktir.

Makaleyle bağlantısı: Makalenin Tablo 3unde Tavares-Ferreira ve ark. tarafindan yapilan DRG çalışmasina atifta bulunulmasi ve smFISHin yüksek hassasiyetli alt-huresel biyolojik doğrulama gucu bu tasarimin temelini oluşturur(Du et al., 2023, s. 11).

Tez veya makalede kullanım · Tartışma

In situ hibridizasyon yöntemleri cok yüksek alt-huresel cozunurluge sahip olsalar da eszamanli ölçulebilen gen sayisi bakimindan kanal cakismasi sınırliliklarina sahiptir.

Deneysel biyoloji çalışmalarında elde edilen bulgularin doğrulanmasi asamasinda karsilasilan yöntem kisitliliklarini tartismak ve alternatif protokolleri önermek için kullanılir(Du et al., 2023, s. 7).

Gelişimsel Fare Karacıgerinde Lobuler Zonasyonun Mekansal Değişken Gen Analizi ile Incelenmesi

Araştırma sorusu: Fare embriyonik karacıger gelişimi sirasinda lobuler zonasyon marker genlerinin mekansal ifadeleri SPARK paketi ile nasıl analiz edilir?
Yöntem taslağı: Farklı gelişim asamalarindaki fare karacıger kesitleri Slide-seqV2 yöntemi ile dizilenecektir. Elde edilen mekansal gen ifadesi verileri üzerinden genellestirilmis lineer mekansal modeller kullanan SPARK paketi yardimiyla mekansal değişken genler tespit edilecek ve gelişimsel zonasyon gidisati yorunge analiziyle belirlenecektir.

Makaleyle bağlantısı: Makalede Hildebrandt ve ark. tarafindan fare karacıgerinde zonasyon oruntulerinin ST ile gösterildigi ve SPARK paketinin mekansal değişken genleri belirlemedeki istatistiksel gucu belirtilmistir(Du et al., 2023, s. 15).