DOI: https://doi.org/10.1038/s41467-025-57029-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39956823
تاريخ النشر: 2025-02-16
المؤلف: Jingyang Qian وآخرون
الموضوع الرئيسي: علم النسخ الجيني أحادي الخلية والمكاني
نظرة عامة
يقدم القسم scNiche، وهو إطار عمل حسابي جديد مصمم لتحديد وتوصيف أماكن الخلايا من بيانات الأوميكس المكانية بدقة خلوية فردية. يقارن المؤلفون scNiche ضد كل من مجموعات البيانات المحاكاة والبيولوجية، مما يظهر أدائه المتفوق في تحديد أماكن الخلايا بفعالية مقارنة بالطرق الحالية. ومن الجدير بالذكر أن scNiche يكشف عن تأثير البيئة الدقيقة على الأنماط الخلوية في سرطان الثدي الثلاثي السلبي لدى البشر ويحدد أماكن محددة للمرضى بتراكيب خلوية فريدة. بالإضافة إلى ذلك، يكشف عن أماكن إصابة الكبد المحددة بالمرض في بيانات الأوميكس المكانية لكبد الفأر، موضحًا إعادة تشكيل الأماكن من الكبد الطبيعي إلى فشل الكبد.
يؤكد النص على أهمية مكان الخلية، أو البيئة الدقيقة الخلوية، في التأثير على العمليات البيولوجية مثل توازن الأنسجة وتقدم المرض. على الرغم من التقدم في تقنيات الأوميكس المكانية التي توفر ملفات جزيئية مفصلة بدقة خلوية فردية، لا يزال فك شفرة معلومات مكان الخلية بدقة يمثل تحديًا. لقد واجهت الطرق الحسابية السابقة، بما في ذلك HMRF وBayesSpace وDR-SC، صعوبات مع تباين التعبير الجيني داخل الأماكن. بالمقابل، يقدم scNiche نهجًا أكثر مرونة وفعالية لنمذجة بيانات الأوميكس المكانية، مما يعزز فهم التفاعلات والحالات الخلوية ضمن سياق الأنسجة الخاصة بها.
النتائج
يصف قسم النتائج تصميم ووظائف scNiche، وهو أداة حسابية تم تطويرها لتحديد أماكن الخلايا من خلال دمج ميزات متعددة الرؤى من بيانات الأوميكس المكانية للخلايا الفردية. يستخرج scNiche ثلاث ميزات رئيسية لكل خلية ضمن حي محدد: الملف الجزيئي للخلية، والملفات الجزيئية للخلايا المجاورة، والتركيبات الخلوية لهذه الأحياء. لضمان تحليل فعال، خاصة مع مجموعات بيانات الأوميكس المكانية التي تتضمن شرائح أنسجة متعددة، تستخدم الأداة تقنيات تقليل الأبعاد وتصحيح الدفعات لتنسيق البيانات وتقليل تأثيرات الدفعة.
يستخدم scNiche بنية شبكة عصبية تجمع بين مشفر تلقائي متعدد الرسوم البيانية (M-GAE) وشبكة دمج الرسوم البيانية (GFN) لإنشاء تمثيل مشترك للميزات متعددة الرؤى. يقوم M-GAE بتشفير المعلومات التكميلية، بينما تلتقط GFN العلاقات بين الرسوم البيانية، مما يولد رسمًا بيانيًا متفقًا يعزز التمثيل العام. لتكرير التجميع لهذا التمثيل، يتم دمج وحدة تعظيم المعلومات المتبادلة متعددة الرؤى (MMIM)، مما يعزز التشابه بين العينات المجاورة. يتم تدريب النموذج من خلال تقليل دالة خسارة مشتركة تشمل خسائر إعادة البناء وخسارة المعلومات المتبادلة. بعد التدريب، يمكن تجميع التمثيل المشترك باستخدام خوارزميات غير إشرافية متنوعة، مثل k-means أو Leiden، مما يسهل تحديد وتوصيف أماكن الخلايا من خلال إطار تحليلي متكامل.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على فعالية طريقة scNiche في تحديد أماكن الخلايا بدقة من خلال دمج ميزات متعددة الرؤى. أظهرت التقييمات باستخدام مجموعات بيانات محاكاة من scCube أن scNiche تفوقت على عشرة طرق موجودة (مثل DC-SC وBASS وCytoCommunity) في تحديد أماكن الخلايا، مع الحفاظ على أداء قوي حتى في ظل ظروف فقدان التعبير الجيني وتسمية الخلايا. أكدت دراسات الإزالة أن جميع وجهات النظر الثلاثة المدخلة ساهمت بشكل كبير في أداء scNiche، حيث أثبتت استراتيجيتها في دمج الميزات المعتمدة على النموذج تفوقها على طرق التوصيل الأبسط.
تم إجراء مزيد من التحقق من أداء scNiche على مجموعات بيانات الأوميكس المكانية الحقيقية، بما في ذلك عينات من طحال الفأر وسرطان الخلايا الانتقالية في المسالك البولية العليا لدى البشر، حيث تفوقت باستمرار على الطرق الأخرى في تحديد الأماكن. ومن الجدير بالذكر أن scNiche حلت بفعالية الهياكل المعقدة للأماكن في مجموعات بيانات دماغ الفأر وأظهرت قابلية التوسع لمجموعات البيانات الكبيرة، مثل مجموعة بيانات MERFISH لدماغ الفأر بالكامل. تم تأكيد قوة scNiche أيضًا من خلال تحليلات نطاق الجوار وحساسية البذور العشوائية. بشكل عام، تؤكد قدرة scNiche على دمج وجهات نظر بيانات متنوعة ومرونتها عبر تقنيات الأوميكس المكانية المختلفة على إمكانياتها في تعزيز فهم البيئات الدقيقة الخلوية في كل من السياقات الطبيعية والمرضية.
DOI: https://doi.org/10.1038/s41467-025-57029-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39956823
Publication Date: 2025-02-16
Author(s): Jingyang Qian et al.
Primary Topic: Single-cell and spatial transcriptomics
Overview
The section presents scNiche, a novel computational framework designed to identify and characterize cell niches from spatial omics data at single-cell resolution. The authors benchmark scNiche against both simulated and biological datasets, demonstrating its superior performance in effectively identifying cell niches compared to existing methods. Notably, scNiche reveals the impact of the microenvironment on cellular phenotypes in human triple-negative breast cancer and identifies patient-specific niches with unique cellular compositions. Additionally, it uncovers disease-specific liver injury niches in mouse liver spatial transcriptomics data, illustrating the remodeling of niches from normal liver to liver failure.
The text emphasizes the significance of the cell niche, or cellular microenvironment, in influencing biological processes such as tissue homeostasis and disease progression. Despite advancements in spatial omics technologies that provide detailed molecular profiles at single-cell resolution, accurately deciphering cell niche information remains challenging. Previous computational methods, including HMRF, BayesSpace, and DR-SC, have struggled with gene expression heterogeneity within niches. In contrast, scNiche offers a more flexible and effective approach to modeling spatial omics data, thereby enhancing the understanding of cellular interactions and states within their tissue context.
Results
The results section describes the design and functionality of scNiche, a computational tool developed to identify cell niches by integrating multi-view features from single-cell spatial omics data. scNiche extracts three primary features for each cell within a specified neighborhood: the cell’s molecular profile, the molecular profiles of neighboring cells, and the cellular compositions of these neighborhoods. To ensure effective analysis, particularly with spatial transcriptomics datasets that include multiple tissue slices, the tool employs dimensionality reduction and batch correction techniques to harmonize the data and mitigate batch effects.
scNiche utilizes a neural network architecture combining a multiple graph autoencoder (M-GAE) and a graph fusion network (GFN) to create a joint representation of the multi-view features. The M-GAE encodes complementary information, while the GFN captures inter-graph relationships, generating a consensus graph that enhances the overall representation. To further refine the clustering of this representation, a multi-view mutual information maximization (MMIM) module is incorporated, promoting similarity among neighboring samples. The model is trained by minimizing a combined loss function that includes reconstruction losses and mutual information loss. Post-training, the joint representation can be clustered using various unsupervised algorithms, such as k-means or Leiden, facilitating the identification and characterization of cell niches through an integrated analytical framework.
Discussion
The discussion section of the research paper highlights the effectiveness of the scNiche method in accurately identifying cell niches through multi-view feature fusion. Evaluations using simulated datasets from scCube demonstrated that scNiche outperformed ten existing methods (e.g., DC-SC, BASS, and CytoCommunity) in identifying cell niches, maintaining robust performance even under conditions of gene expression and cell annotation dropout. Ablation studies confirmed that all three input views significantly contributed to scNiche’s performance, with its model-based feature fusion strategy proving superior to simpler concatenation methods.
Further validation of scNiche’s performance was conducted on real spatial omics datasets, including mouse spleen and human upper tract urothelial carcinoma samples, where it consistently outperformed other methods in niche identification. Notably, scNiche effectively resolved complex niche structures in mouse brain datasets and demonstrated scalability to large datasets, such as the mouse whole brain MERFISH dataset. The robustness of scNiche was also affirmed through analyses of neighborhood range and random seed sensitivity. Overall, scNiche’s ability to integrate diverse data views and its adaptability across various spatial omics technologies underscore its potential for advancing the understanding of cellular microenvironments in both normal and disease contexts.