Биологические ткани состоят из различных клеточных популяций, организованных в сложные пространственные схемы, что имеет решающее значение для их нормального функционирования. Изучение этих паттернов позволяет выявлять тонкие особенности клеточных взаимодействий и реакций на изменения окружающей среды, что особенно важно при исследовании сложных патологий, таких как рак.
За последнее десятилетие методы пространственной транскриптомики значительно развились, позволяя картировать активность генов в тканях с сохранением их структурной целостности. Такой подход обеспечивает глубокое понимание процессов генной экспрессии в норме и при заболеваниях, сохраняя контекст органной архитектуры.
Традиционные методы сталкиваются с проблемами точной идентификации функциональных областей тканей на основе генетических данных. Некоторые подходы полагаются на произвольно заданные параметры дистанции, не всегда адекватно отражающие истинные биологические границы, в то время как методы, объединяющие множественные изображения, часто ограничены непоследовательным качеством данных и требуют ручного вмешательства для выравнивания наборов данных.
Группа ученых из Института медицинских наук Токийского университета (Япония) под руководством профессора Кенты Накая предложила решение этих проблем – систему Spatial Transcriptomics Analysis via Image-Aided Graph Contrastive Learning (STAIG). Результаты исследования были опубликованы онлайн в журнале Nature Communications в 2025 году.
Работы возглавляются профессором Кентой Накая, а ключевой вклад в исследование внес аспирант Яитао Ян, что подчеркивает коллективный характер научного поиска инновационных решений.
Система STAIG автоматически объединяет данные о генной экспрессии, пространственную информацию и гистологические изображения без необходимости ручного выравнивания. Гистологические изображения разбиваются на небольшие участки, из которых с помощью модели самообучения извлекаются ключевые признаки, позволяющие создать графовую структуру, где узлы соответствуют генетической активности, а ребра – их пространственному сосуществованию. Применение алгоритма графового контрастивного обучения обеспечивает точное сопоставление генных паттернов с конкретными участками ткани.
Как отметил профессор Накая: «STAIG использует надежную архитектуру модели и дополнительные данные изображений, что обеспечивает высокую точность идентификации пространственных доменов, позволяя проводить интеграцию данных без необходимости выравнивания срезов тканей или ручных корректировок». Такой подход демонстрирует значительные преимущества, позволяющие преодолевать ограничения существующих методов, особенно в условиях отсутствия пространственного выравнивания или необходимых изображений.
Сравнительные исследования подтвердили высокую эффективность STAIG по сравнению с современными методами. В экспериментах с данными по раку молочной железы у человека и меланоме у зебрафиш система с высокой разрешающей способностью точно выделяла границы опухолевых и переходных зон, что открывает новые перспективы для исследований в области онкологии.
Профессор Накая уверен, что STAIG ускорит использование данных пространственного транскриптома для анализа сложных биологических систем, включая взаимодействие раковых клеток с окружающими тканями и процессы формирования органов в эмбриональном развитии. Применение данной технологии способно расширить понимание функционирования мозга, развития опухолей и формирования тканей, способствуя разработке инновационных лечебных методов.
Изображение носит иллюстративный характер
За последнее десятилетие методы пространственной транскриптомики значительно развились, позволяя картировать активность генов в тканях с сохранением их структурной целостности. Такой подход обеспечивает глубокое понимание процессов генной экспрессии в норме и при заболеваниях, сохраняя контекст органной архитектуры.
Традиционные методы сталкиваются с проблемами точной идентификации функциональных областей тканей на основе генетических данных. Некоторые подходы полагаются на произвольно заданные параметры дистанции, не всегда адекватно отражающие истинные биологические границы, в то время как методы, объединяющие множественные изображения, часто ограничены непоследовательным качеством данных и требуют ручного вмешательства для выравнивания наборов данных.
Группа ученых из Института медицинских наук Токийского университета (Япония) под руководством профессора Кенты Накая предложила решение этих проблем – систему Spatial Transcriptomics Analysis via Image-Aided Graph Contrastive Learning (STAIG). Результаты исследования были опубликованы онлайн в журнале Nature Communications в 2025 году.
Работы возглавляются профессором Кентой Накая, а ключевой вклад в исследование внес аспирант Яитао Ян, что подчеркивает коллективный характер научного поиска инновационных решений.
Система STAIG автоматически объединяет данные о генной экспрессии, пространственную информацию и гистологические изображения без необходимости ручного выравнивания. Гистологические изображения разбиваются на небольшие участки, из которых с помощью модели самообучения извлекаются ключевые признаки, позволяющие создать графовую структуру, где узлы соответствуют генетической активности, а ребра – их пространственному сосуществованию. Применение алгоритма графового контрастивного обучения обеспечивает точное сопоставление генных паттернов с конкретными участками ткани.
Как отметил профессор Накая: «STAIG использует надежную архитектуру модели и дополнительные данные изображений, что обеспечивает высокую точность идентификации пространственных доменов, позволяя проводить интеграцию данных без необходимости выравнивания срезов тканей или ручных корректировок». Такой подход демонстрирует значительные преимущества, позволяющие преодолевать ограничения существующих методов, особенно в условиях отсутствия пространственного выравнивания или необходимых изображений.
Сравнительные исследования подтвердили высокую эффективность STAIG по сравнению с современными методами. В экспериментах с данными по раку молочной железы у человека и меланоме у зебрафиш система с высокой разрешающей способностью точно выделяла границы опухолевых и переходных зон, что открывает новые перспективы для исследований в области онкологии.
Профессор Накая уверен, что STAIG ускорит использование данных пространственного транскриптома для анализа сложных биологических систем, включая взаимодействие раковых клеток с окружающими тканями и процессы формирования органов в эмбриональном развитии. Применение данной технологии способно расширить понимание функционирования мозга, развития опухолей и формирования тканей, способствуя разработке инновационных лечебных методов.
