DOI: https://doi.org/10.1038/s41467-024-55204-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39747840
تاريخ النشر: 2025-01-02
المؤلف: Yuansheng Zhou وآخرون
الموضوع الرئيسي: علم النسخ الجيني أحادي الخلية والمكاني
نظرة عامة
لقد سهلت التطورات الحديثة في التقنيات البيولوجية جمع بيانات متعددة الأبعاد متعددة الأوميك؛ ومع ذلك، لا تزال الخوارزميات الحاسوبية لتحليل هذه البيانات محدودة. تركز الأدوات الحالية بشكل أساسي على الأوميك الفردي أو تفشل في دمج المعلومات المكانية بشكل فعال. لمعالجة هذه الفجوة، قمنا بتطوير خوارزمية شبكة عصبية رسومية تُدعى COSMOS، والتي تتفوق في تقسيم المجالات، والتصور، ورسم الخرائط الزمانية المكانية لمهام دمج الأوميك المتعددة المكانية.
بينما تركز بعض الخوارزميات، مثل SpaGCN و SpaceFlow، على بيانات الأوميك الفردية، تدمج أخرى مثل GLUE و WNN الأوميك المتعددة دون الاستفادة من السياق المكاني. ومن الجدير بالذكر أن طرق دمج الأوميك المتعددة الحالية، بما في ذلك CellCharter و SpaMultiVAE، تستخدم ميزات كل أوميك بشكل غير كافٍ عن طريق دمجها في مصفوفة واحدة. بالمقابل، تم تصميم COSMOS لاستخراج ميزات تكاملية من أوضاع مختلفة، مما يوفر تضمينًا متكاملًا يتجاوز كل من تحليلات الأوضاع الفردية وطرق الدمج الأخرى. قمنا بالتحقق من صحة COSMOS على مجموعتين من البيانات المحاكاة وثلاث مجموعات بيانات من العالم الحقيقي من منصات وأنواع أنسجة مختلفة، مما يظهر أدائها المتفوق في تقسيم المجالات، والتصور منخفض الأبعاد، وتوليد الخرائط الزمانية المكانية.
مقدمة
تم تصميم إطار عمل COSMOS لتحليل مجموعات بيانات الأوميك المتعددة المكانية، حيث يدمج نوعين من بيانات الأوميك الجزيئية (مثل النسخ الجيني وعلم الجينوميات البيئية) جنبًا إلى جنب مع المواقع المكانية المشتركة. تستخدم عملية الدمج شبكتين مختلفتين من الشبكات العصبية الرسومية (GCNs) لترميز بيانات الأوميك، والتي يتم توحيدها لاحقًا باستخدام أوزان الأوضاع المستمدة من خوارزمية الجار الأقرب الموزون (WNN). لتعزيز أداء النموذج، يتم تنفيذ مميز تبايني، مستفيدًا من نهج Deep Graph Infomax (DGI) لمقارنة المعلومات المتبادلة بين تمثيلات العقد المحلية ومتجه الملخص العالمي، مع إضافة تنظيم مكاني أثناء التدريب.
بعد دمج بيانات الأوميك المزدوجة، يتم تحقيق تقسيم المجالات من خلال تقنيات التجميع. على وجه التحديد، يتم تجميع التضمينات المدمجة من بيانات الأوميك المتعددة من دماغ الفأر باستخدام بيانات ATAC-RNA-seq باستخدام طريقة “louvain”، بينما يتم تجميع مجموعات البيانات الأخرى باستخدام طريقة “leiden”، التي تسهلها حزمة Python “scanpy”. تتيح التضمينات المدمجة الناتجة تحليلات مختلفة لاحقة، بما في ذلك التصورات منخفضة الأبعاد المتسقة مكانيًا وتوليد خرائط زمانية مكانية زائفة (pSMs).
طرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات التي تم جمعها من المشاركين. شملت المنهجيات المحددة تجارب محكومة، واستطلاعات، ودراسات ملاحظة، مما يضمن تقييمًا شاملاً للمتغيرات المعنية.
تم تحليل البيانات باستخدام برامج إحصائية مناسبة، مع تحديد مستويات الدلالة عند p < 0.05. استخدم الباحثون اختبارات إحصائية متنوعة، مثل اختبارات t و ANOVA، لتحديد الفروق بين المجموعات وتقييم العلاقات بين المتغيرات. بالإضافة إلى ذلك، يتناول القسم طرق أخذ العينات، وخصائص المشاركين، وأي اعتبارات أخلاقية تم أخذها في الاعتبار خلال عملية البحث. بشكل عام، تم تصميم الطرق بدقة لضمان موثوقية وصدق النتائج.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تقييمهم لخوارزمية COSMOS لدمج مجموعات بيانات الأوميك المتعددة المكانية، سواء المحاكاة أو الواقعية. أولاً، قاموا بمحاكاة مجموعتين من البيانات، “Omics-1” و “Omics-2″، استنادًا إلى بيانات قشرة الدماغ البصرية للفأر، وقاموا بتقييم أداء COSMOS مقابل خمس خوارزميات دمج أوميك متعددة أخرى باستخدام مؤشر راند المعدل (ARI). تفوقت COSMOS على جميع المنافسين، محققة أعلى ARI قدره 0.84 لتقسيم المجالات، مما يشير إلى تجميع متفوق لأنواع الخلايا عبر الطبقات. كشفت التحليلات أن أوزان الأوضاع لبعض أنواع الخلايا كانت متسقة مع تصميم المحاكاة، وأظهرت تصورات UMAP فصلًا أفضل لطبقات الخلايا مع COSMOS مقارنةً بالطرق الأخرى.
بعد ذلك، تم تطبيق COSMOS على مجموعات بيانات العالم الحقيقي، بما في ذلك مجموعة بيانات أوميك متعددة المكانية من مقاطع دماغ الفأر. هنا، حققت COSMOS مرة أخرى أعلى ARI قدره 0.63، متفوقةً على خوارزميات أخرى في تقسيم المجالات. سلطت النتائج الضوء على المساهمات المميزة لوصول الكروماتين المكاني (ATAC) ونسخ الجينات المكاني (RNA) في التجميع، حيث قدمت COSMOS تمثيلًا أكثر تماسكًا وخريطة زمنية مكانية زائفة تتماشى بشكل جيد مع الهياكل التشريحية. بالإضافة إلى ذلك، تم تطبيق COSMOS بنجاح على مجموعات بيانات الأوميك المتعددة RNA-Protein، مما يظهر قدرتها على الحفاظ على الميزات المعلوماتية وتحقيق تقسيم مجالات أكثر سلاسة مقارنةً بطرق الدمج الأخرى. بشكل عام، تؤكد النتائج فعالية COSMOS في دمج بيانات الأوميك المتعددة للحصول على رؤى بيولوجية محسنة.
مناقشة
في هذه المناقشة، يقدم المؤلفون أداء ومرونة COSMOS، وهي خوارزمية جديدة لدمج مجموعات بيانات الأوميك المتعددة المكانية. أظهرت COSMOS قدرات متفوقة في تقسيم المجالات، والتصور منخفض الأبعاد، ورسم الخرائط الزمانية المكانية، واستخراج التعبير الجيني التفاضلي مقارنةً بخوارزميات الدمج الحالية. يؤكد المؤلفون أن COSMOS قابلة للتكيف لتحليل مجموعات البيانات التي تحتوي على ثلاثة أو أكثر من الأوميك المكانية، على الرغم من أن تطبيقها الحالي يركز على بيانات مستوى الخلية الفردية. يشيرون إلى أنه بينما تستخدم COSMOS بفعالية ميزات تكاملية من أوميك متميزة، قد يتعرض أداؤها للخطر في السيناريوهات التي تكون فيها أنواع الخلايا مختلطة مكانيًا، كما هو الحال في بعض مجموعات بيانات الميلانوما.
يستعرض المؤلفون الإطار المنهجي لـ COSMOS، الذي يستخدم نموذج Deep Graph Infomax (DGI) ثنائي القناة مع تنظيم مكاني لتعزيز دمج بيانات الأوميك المتعددة. يلتقط النموذج الأنماط المحلية والعالمية من خلال بناء رسم بياني استنادًا إلى ملفات التعبير الخلوي والتجاور المكاني. تستخدم عملية الدمج الجار الأقرب الموزون (WNN) للتخفيف من تأثيرات الضوضاء من الأوضاع الفردية، مما يضمن أن مساهمات كل أوميك يتم وزنها بشكل مناسب. يقدم المؤلفون رؤى حول معلمات التدريب وكفاءة COSMOS الحاسوبية، مع تسليط الضوء على قابليتها للتوسع لمجموعات البيانات الكبيرة مع الحفاظ على أداء قوي. بشكل عام، يتم وضع COSMOS كأداة واعدة للبحث المستقبلي في تحليل الأوميك المتعددة المكانية، خاصة مع توفر مجموعات بيانات جديدة.
DOI: https://doi.org/10.1038/s41467-024-55204-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39747840
Publication Date: 2025-01-02
Author(s): Yuansheng Zhou et al.
Primary Topic: Single-cell and spatial transcriptomics
Overview
Recent advancements in biological technologies have facilitated the collection of spatially resolved multi-omics data; however, computational algorithms for analyzing such data remain limited. Existing tools primarily focus on single omics or fail to incorporate spatial information effectively. To address this gap, we developed a graph neural network algorithm named COSMOS, which excels in domain segmentation, visualization, and spatiotemporal mapping for spatially resolved multi-omics integration tasks.
While some algorithms, such as SpaGCN and SpaceFlow, concentrate on single-omics data, others like GLUE and WNN integrate multi-omics without leveraging spatial context. Notably, existing multi-omics integration methods, including CellCharter and SpaMultiVAE, inadequately utilize the unique features of each omic by concatenating them into a single matrix. In contrast, COSMOS is designed to extract complementary features from different modalities, providing an integrated embedding that surpasses both individual modality analyses and other integration methods. We validated COSMOS on two simulated and three real-world datasets from various platforms and tissue types, demonstrating its superior performance in domain segmentation, low-dimensional visualization, and spatiotemporal map generation.
Introduction
The COSMOS framework is designed to analyze spatially resolved multi-omics datasets, integrating two types of molecular omics data (such as transcriptomics and epigenomics) along with shared spatial positions. The integration process employs two distinct graph convolutional networks (GCNs) to encode the omics data, which are subsequently unified using modality weights derived from the Weighted Nearest Neighbor (WNN) algorithm. To enhance the model’s performance, a contrastive discriminator is implemented, leveraging the Deep Graph Infomax (DGI) approach to compare mutual information between local node representations and a global summary vector, with an added spatial regularization during training.
Following the integration of the paired omics data, domain segmentation is achieved through clustering techniques. Specifically, the integrated embeddings from ATAC-RNA-seq mouse brain multi-omics data are clustered using the “louvain” method, while other datasets are clustered using the “leiden” method, facilitated by the “scanpy” Python package. The resulting integrated embeddings enable various downstream analyses, including spatially consistent low-dimensional visualizations and the generation of pseudo-spatiotemporal maps (pSMs).
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from participants. Specific methodologies included controlled experiments, surveys, and observational studies, ensuring a comprehensive assessment of the variables involved.
Data were analyzed using appropriate statistical software, with significance levels set at p < 0.05. The researchers employed various statistical tests, such as t-tests and ANOVA, to determine the differences between groups and assess the relationships among variables. Additionally, the section details the sampling methods, participant demographics, and any ethical considerations taken into account during the research process. Overall, the methods were rigorously designed to ensure the reliability and validity of the findings.
Results
In this section, the authors present results from their evaluation of the COSMOS algorithm for integrating spatially resolved multi-omics datasets, both simulated and real-world. They first simulated two datasets, “Omics-1” and “Omics-2,” based on mouse visual cortex data, and assessed the performance of COSMOS against five other multi-omics integration algorithms using the Adjusted Rand Index (ARI). COSMOS outperformed all competitors, achieving the highest ARI of 0.84 for domain segmentation, indicating superior clustering of cell types across layers. The analysis revealed that modality weights for certain cell types were consistent with the simulation design, and UMAP visualizations demonstrated better separation of cell layers with COSMOS compared to other methods.
Subsequently, COSMOS was applied to real-world datasets, including a spatially resolved multi-omics dataset from mouse brain coronal sections. Here, COSMOS again achieved the highest ARI of 0.63, outperforming other algorithms in domain segmentation. The results highlighted the distinct contributions of spatial chromatin accessibility (ATAC) and spatial transcriptome (RNA) modalities to clustering, with COSMOS providing a more compact representation and a pseudo-spatiotemporal map that aligned well with anatomical structures. Additionally, COSMOS was successfully applied to RNA-Protein multi-omics datasets, demonstrating its ability to preserve informative features and achieve smoother domain segmentation compared to other integration methods. Overall, the findings underscore COSMOS’s effectiveness in integrating multi-omics data for enhanced biological insights.
Discussion
In this discussion, the authors present the performance and versatility of COSMOS, a novel algorithm for integrating spatially resolved multi-omics datasets. COSMOS demonstrated superior capabilities in domain segmentation, low-dimensional visualization, spatiotemporal mapping, and differential gene expression extraction compared to existing integration algorithms. The authors emphasize that COSMOS is adaptable for analyzing datasets with three or more spatially resolved omics, although its current application focuses on single-cell level data. They note that while COSMOS effectively utilizes complementary features from distinct omics, its performance may be compromised in scenarios where cell types are spatially mixed, as seen in certain melanoma datasets.
The authors detail the methodological framework of COSMOS, which employs a two-channel Deep Graph Infomax (DGI) model with spatial regularization to enhance integration of multi-omics data. The model captures both local and global patterns by constructing a graph based on cell expression profiles and spatial adjacency. The integration process utilizes Weighted Nearest Neighbor (WNN) to mitigate noise effects from individual modalities, ensuring that the contributions of each omic are appropriately weighted. The authors provide insights into the training parameters and computational efficiency of COSMOS, highlighting its scalability for large datasets while maintaining robust performance. Overall, COSMOS is positioned as a promising tool for future research in spatially resolved multi-omics analysis, particularly as new datasets become available.