Directives de soumission d'échantillons
Qu'est-ce que l'analyse spatiale omique assistée par l'IA ?
L'analyse des omiques spatiales mesure l'expression des gènes ou des protéines tout en préservant l'emplacement physique de chaque mesure au sein d'une section de tissu. Contrairement au séquençage de cellules uniques dissociées ou en vrac, les données spatiales conservent la carte tissulaire intacte, permettant ainsi d'étudier les types cellulaires, les programmes géniques et les interactions entre cellules dans leur architecture native plutôt qu'en isolation.
Pourquoi les données spatiales ont besoin d'une analyse assistée par l'IA
La plupart des plateformes spatiales basées sur des points ne résolvent pas directement les cellules individuelles : chaque point de mesure peut contenir des signaux provenant de plusieurs cellules de différents types, et les plateformes basées sur l'image génèrent des ensembles de données très volumineux et bruyants qui sont impraticables à annoter manuellement.
- DéconvolutionLes données spatiales au niveau des points sont un mélange de types cellulaires, donc un modèle computationnel informé par référence est nécessaire pour estimer la composition en types cellulaires de chaque point.
- ÉchelleUne seule section spatiale peut contenir des dizaines de milliers de points ou des millions de cellules segmentées, bien au-delà de ce que l'examen manuel peut annoter de manière cohérente.
RemarqueNous sélectionnons la méthode de déconvolution ou de détection de domaine en fonction de la résolution de la plateforme et de la question de recherche, plutôt que d'appliquer un pipeline par défaut à chaque projet.
Les plateformes basées sur des spots (Visium, Visium HD) nécessitent une déconvolution pour résoudre les mélanges de types cellulaires ; les plateformes à résolution unicellulaire (Xenium, CosMx, Stereo-seq) prennent en charge le typage cellulaire direct.
Plateformes spatiales et entrées de données prises en charge
- Entrée acceptée : sections de tissu FFPE ou congelé frais, ou fichiers de sortie Visium bruts/traités.
- Résolution : basée sur des points (55 µm) ; nécessite une déconvolution pour la composition des types cellulaires.
- Sections de tissu FFPE, ou fichiers de sortie Visium HD bruts/traités
- Résolution : près de la cellule unique (bacs de 2 µm) ; bénéficie toujours de la déconvolution à des tailles de bacs plus fines.
- Entrée acceptée : sections de tissu fixes, ou transcriptomes Xenium traités et sortie des frontières cellulaires.
- Résolution : panneau génique ciblé subcellulaire ; prend en charge le typage direct des cellules uniques.
- Tissus frais congelés, ou matrices d'expression Stereo-seq traitées.
- Résolution : subcellulaire, transcriptome complet ; cartographie tissulaire à grand champ de vision
Options d'entrée de projet : Données-en-Insights et Échantillon-en-Insights
Deux façons de commencer un projet d'omics spatial.
Données en aperçu
- Vous fournissez des fichiers de sortie spatiaux existants (lectures brutes, matrices de comptage ou sorties traitées de la plateforme) provenant de toute plateforme spatiale prise en charge.
- Nous gérons le contrôle qualité, la déconvolution ou le typage cellulaire, la détection dans le domaine spatial et l'interprétation.
- Idéal pour les laboratoires disposant de données spatiales déjà générées en interne ou provenant d'un fournisseur précédent.
Échantillon à Insight
- Vous fournissez des sections de tissus FFPE ou congelés frais ; des plateformes partenaires qualifiées génèrent les données spatiales.
- Les données sont ensuite intégrées dans le même pipeline d'analyse spatiale assistée par IA.
- Idéal pour les équipes qui ont besoin d'un projet coordonné englobant le traitement des tissus et l'analyse spatiale.
Flux de travail d'analyse spatiale omique assistée par l'IA
Notre flux de travail relie l'entrée de tissus ou de données, le contrôle qualité par section, la déconvolution assistée par IA ou le typage cellulaire, et l'interprétation spatiale en un seul plan de projet, avec des points de contrôle qualité à chaque étape.
Étape 1 : Démarrage du projet
Discussion de projet pour confirmer la plateforme spatiale, l'option d'entrée du projet, la disponibilité des données monocellulaires de référence et le plan d'analyse.
Étape 2 : Réception des tissus / Données et contrôle qualité
Révision de la qualité des sections de tissu pour les projets Sample-to-Insight ; format de fichier et contrôle qualité des images/matrices pour les données spatiales soumises.
Étape 3 : Déconvolution ou typage cellulaire
Déconvolution informée par référence pour les plateformes basées sur des spots, ou segmentation et typage cellulaires directs pour les plateformes à résolution monocellulaire.
Étape 4 : Domaine spatial et analyse de voisinage
Détection dans le domaine spatial, enrichissement des cellules voisines et, le cas échéant, inférence des interactions ligand-récepteur ou cellule-cellule.
Étape 5 : Interprétation et Livraison
Interprétation biologique des motifs spatiaux, livraison de la carte spatiale annotée et du rapport d'analyse, et code reproductible.
Choisir la bonne méthode d'analyse spatiale
Le choix de la méthode dépend de la résolution de la plateforme, du type de tissu et de la question de recherche. Nous sélectionnons et combinons les méthodes en conséquence plutôt que de nous en tenir à un seul pipeline.
| Tâche d'analyse | Question Cela Répond | Type de plateforme le plus adapté | Famille de méthodes |
|---|---|---|---|
| Déconvolution | Quels types de cellules composent chaque spot ? | Basé sur des points (Visium, Visium HD) | Décomposition informée par référence (par exemple, modèles de type RCTD) |
| Typage cellulaire direct | Quel type de cellule est cette cellule individuelle ? | Résolution unicellulaire (Xenium, CosMx, Stereo-seq) | Segmentation plus classification basée sur des références ou basée sur des marqueurs |
| Détection dans le domaine spatial | Quelles régions tissulaires distinctes existent-elles et où se trouvent leurs frontières ? | Toute plateforme avec des coordonnées spatiales | Clustering spatialement conscient (inspiré par des graphes ou des voisinages) |
| Analyse de la cellule-voisinage et des interactions | Quels types de cellules coexistent et quel type de signalisation peut se produire localement ? | Données de points à résolution unicellulaire ou à bin fin | Modèles d'enrichissement de voisinage et de colocalisation ligand-récepteur |
Validation et Contrôle de Qualité
Les résultats spatiaux ne sont aussi fiables que la validation qui les sous-tend. Chaque projet comprend des vérifications explicites des modes de défaillance les plus courants dans l'analyse spatiale.
- Qualité des tissus et des imagesL'intégrité des sections, la qualité de coloration et la profondeur de lecture ou de transcript par point ou cellule sont examinées avant l'analyse en aval.
- Incohérence de référenceL'exactitude de la déconvolution dépend de la manière dont la référence à cellule unique correspond au tissu et à la condition ; la pertinence de la référence est évaluée avant utilisation.
- Segmentation et risque de doubletLa qualité de la segmentation cellulaire et le risque de doublets ou de débordements sont examinés pour les plateformes à résolution unicellulaire avant le typage cellulaire.
Applications de l'analyse des omiques spatiales dans la recherche
L'analyse des omiques spatiales soutient un large éventail de questions de recherche où l'architecture tissulaire est importante pour la biologie.
Cartographie du microenvironnement tumoral
Résoudre la distribution des cellules immunitaires, stromales et malignes ainsi que leurs relations spatiales au sein du tissu tumoral.
Découverte de la cellule-voisinage et du créneau
Identifier des quartiers multicellulaires récurrents et des niches associées à l'état de maladie ou à la réponse au traitement.
Intégration unicellulaire et spatiale
Combinez les données de référence des cellules uniques avec des coordonnées spatiales pour cartographier les états cellulaires sur leur emplacement tissulaire natif.
Cartographie des tissus en développement et en neurosciences
Cartographier les gradients d'expression génique spatiale et l'organisation régionale des types cellulaires dans les tissus neuronaux en développement.
Découverte de biomarqueurs résolus spatialement
Identifiez des marqueurs candidats dont l'expression ou le motif spatial diffère entre les régions malades et les tissus normaux adjacents.
Livrables
- Rapport de contrôle qualité par section
- Déconvolution de type cellulaire ou tableau de typage cellulaire avec coordonnées spatiales
- Carte du domaine spatial et annotation des clusters
- Résumé de l'interaction entre les cellules du voisinage et, le cas échéant, de la colocalisation ligand-récepteur.
- Code d'analyse reproductible et fichiers d'environnement
- Méthodes - rédaction décrivant l'approche d'analyse et la stratégie de validation.
Exigences en matière d'échantillons et de données
Les exigences minimales varient selon la plateforme et le type de tissu ; le tableau ci-dessous résume les points de départ typiques.
| Plateforme | Entrée acceptée | Minimum typique | Métadonnées recommandées |
|---|---|---|---|
| 10x Visium / Visium HD | FFPE ou sections congelées, ou fichiers de sortie bruts/traités | Section intact avec des seuils de QC de plateforme RIN/DV200 respectés. | Type de tissu, méthode de fixation, épaisseur de coupe |
| 10x Xenium In Situ | Sections de tissu fixées, ou sortie de transcript/cellule traitée. | Zone de section dans les limites du champ de vision de l'instrument | Panneau génétique utilisé, type de tissu, protocole de fixation |
| Stereo-seq | Sections frais congelés, ou matrices d'expression traitées | Seuils de qualité de la plateforme de réunion sur la surface de section et l'intégrité de l'ARN | Type de tissu, méthode d'inclusion, épaisseur de coupe |
| Une référence de séquençage d'ARN à cellule unique appariée (existante ou nouvellement générée) améliore considérablement la précision de déconvulsion pour les plateformes basées sur des spots ; discutez de la disponibilité avec votre chef de projet. | |||
Exigences de conception de l'étude
- Sections de tissu représentatives qui capturent la région ou la structure pertinente à la question de recherche.
- Réplicats biologiques adéquats par groupe ; des sections uniques limitent les conclusions généralisables sur les différences entre groupes.
- Un ensemble de données de référence à cellule unique bien assorti ou adapté lorsque la déconvolution est requise.
- Régions d'intérêt clairement définies ou critères d'annotation si une comparaison spécifique à une région est prévue.
- Protocoles de traitement et de coloration des tissus cohérents entre les échantillons pour limiter les artefacts liés aux lots.
Limitations
- Les plateformes basées sur des spots ne mesurent pas la véritable résolution à l'échelle cellulaire ; les résultats de déconvolution sont des estimations, pas des mesures directes.
- L'exactitude de la déconvolution dépend de la manière dont la référence à cellule unique représente le tissu et la condition étudiés.
- Des sections uniques capturent un plan d'un tissu tridimensionnel et peuvent ne pas représenter l'ensemble de la structure.
- La corrélation spatiale entre les types cellulaires n'établit pas d'interaction directe entre les cellules ; les résultats soutiennent la génération d'hypothèses et doivent être confirmés par une validation orthogonale.
Référence
- Longo, Sophia K., et al. "Intégration de la transcriptomique unicellulaire et spatiale pour élucider les dynamiques tissulaires intercellulaires." Nature Reviews Génétique 22.10 (2021) : 627-644. Désolé, je ne peux pas accéder à des liens externes ou à des contenus spécifiques en ligne. Si vous avez un texte que vous souhaitez traduire, n'hésitez pas à le partager ici.
- Moses, Lambda et Lior Pachter. "Musée de la transcriptomique spatiale." Méthodes de la nature 19,5 (2022) : 534-546. Désolé, je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici.
- Cable, Dylan M., et al. "Décomposition robuste des mélanges de types cellulaires en transcriptomique spatiale." Biotechnologie de la nature 40.4 (2022) : 517-526. Désolé, je ne peux pas accéder à des liens externes. Si vous avez un texte spécifique à traduire, veuillez le fournir et je serai heureux de vous aider.
- Walsh, Ian, et al. "DOME : recommandations pour la validation de l'apprentissage automatique supervisé en biologie." Méthodes de la nature 18.10 (2021) : 1122-1127. Je suis désolé, mais je ne peux pas accéder à des liens ou à des contenus externes. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
Résultats de la démo
Déconvolution spatiale des types de cellules immunitaires et stromales dans les tissus tumoraux (Ge Q et al., npj Médecine Numérique, 2026)
Carte de la cellule-voisinage d'un niche tumorale immunosuppressive (Ge Q et al., npj Médecine Numérique, 2026)
Attribution des caractéristiques du modèle explicable pour un score de risque informé spatialement (Ge Q et al., npj Médecine Numérique, 2026)
Références
- Ge Q, Wang Z, Wang Y, et al. La transcriptomique intégrative à cellule unique et spatiale avec une IA explicable révèle un axe pronostique létal dans le cancer de la prostate. npj Digit Med. 2026 ; 9(1) : 119. Désolé, je ne peux pas accéder aux liens.
FAQ sur l'analyse spatiale omique assistée par l'IA
1. Quelle plateforme spatiale est adaptée à mon projet ?
Cela dépend de si vous avez besoin d'une couverture de tout le transcriptome ou d'un panel génique ciblé, et si la résolution unicellulaire est importante pour votre question. Les plateformes basées sur des spots comme Visium offrent une large couverture du transcriptome mais nécessitent une déconvolution ; les plateformes à résolution unicellulaire comme Xenium ou Stereo-seq permettent un typage cellulaire direct mais peuvent utiliser un panel génique plus réduit. Nous aidons à faire correspondre la plateforme à votre question de recherche lors de la planification du projet.
2. Ai-je besoin d'une référence de séquençage d'ARN à cellule unique pour la déconvolution ?
Pour les plateformes basées sur des spots, une référence unicellulaire bien adaptée ou correspondante améliore considérablement l'exactitude de la déconvolution. Si vous n'en avez pas, nous pouvons vous conseiller sur des références publiques appropriées ou discuter de la génération d'une référence correspondante dans le cadre du projet.
3. Pouvez-vous commencer à partir de sections de tissu au lieu de données spatiales finies ?
Oui. Dans l'option Sample-to-Insight, vous fournissez des sections de tissu FFPE ou frais congelé, et des plateformes partenaires qualifiées génèrent les données spatiales, qui sont ensuite intégrées dans le même pipeline d'analyse assistée par IA.
4. Combien de sections de tissu ou de répliques ai-je besoin ?
Cela dépend de votre question de recherche. Des sections uniques peuvent soutenir une analyse exploratoire, mais la comparaison de groupes ou le tirage de conclusions généralisables nécessite généralement plusieurs réplicats biologiques par groupe ; nous discutons du bon design lors de la planification du projet.
5. L'analyse spatiale peut-elle me dire quelles cellules interagissent physiquement ?
La proximité spatiale et l'enrichissement des quartiers peuvent identifier des types cellulaires qui coexistent et peuvent interagir, et la colocalisation ligand-récepteur peut suggérer des paires de signalisation candidates. Ces résultats indiquent une association spatiale, sans preuve directe d'interaction, et soutiennent généralement une validation expérimentale supplémentaire.
Étude de cas sur l'analyse spatiale omique assistée par l'IA
Exemple de recherche indépendante
Cette publication n'est pas un projet client de CD Genomics.
La transcriptomique intégrative unicellulaire et spatiale avec une IA explicable révèle un axe pronostique létal dans le cancer de la prostate.
Journal : npj Médecine Numérique
Publié : 6 janvier 2026
Contexte
Le cancer de la prostate est cliniquement hétérogène, et il reste difficile de traduire l'hétérogénéité moléculaire en un outil pronostique à la fois précis et biologiquement interprétable. Cette étude a intégré la transcriptomique unicellulaire et spatiale avec l'apprentissage automatique explicable pour définir un axe tumoral létal et construire un modèle pronostique interprétable pour le cancer de la prostate.
Matériaux et Méthodes
Cohorte
- 141 986 cellules uniques
- Cancer de la prostate localisé, sensible aux hormones et résistant à la castration
- Sections transcriptomiques spatiales appariées
Analyse spatiale
- Déconvolution des types cellulaires basée sur RCTD
- Modélisation de la dépendance spatiale MISTy
- Cartographie des cellules de voisinage et des niches
- 101 pipelines d'apprentissage automatique évaluées
- Modèle pronostique Lasso + PLS-Cox
- Analyse d'explicabilité SHAP
Résultats
- Une sous-population épithéliale maligne entraîne l'axe létal
- Une sous-population épithéliale C4 maligne a été identifiée, caractérisée par une forte instabilité chromosomique, une activation des récepteurs androgéniques et du cycle cellulaire, ainsi qu'un potentiel de pluripotence.
- La cartographie spatiale révèle des niches immunosuppressives.
- Le mapping spatial a révélé des niches enrichies en immunité mais suppressives, où les fibroblastes et les cellules myéloïdes coexistaient avec des lymphocytes épuisés, reflétant un déséquilibre fonctionnel du système immunitaire.
- Un modèle explicable fournit un score pronostique validé.
- Parmi 101 pipelines évalués, un modèle Lasso plus PLS-Cox a atteint une forte concordance entre des cohortes indépendantes.
- Le score de risque basé sur le C4 a prédit de manière indépendante la survie sans récidive après ajustement pour l'âge, le score de Gleason et le stade T.
- L'interprétation SHAP a mis en évidence MT1M, PCSK1N et ACSL3 comme les principales caractéristiques influençant le risque.
- Le suivi expérimental a soutenu la principale caractéristique.
- PCSK1N a été progressivement régulé à la hausse, passant de la prostate normale à la maladie résistante à la castration, et a favorisé la prolifération, la clonogénicité et la migration.
- L'inhibition de PCSK1N a sensibilisé les organoïdes et les xénogreffes à la thérapie ciblée sur l'AR.
Conclusion
La combinaison de la déconvolution spatiale et de la cartographie des voisinages avec un cadre d'apprentissage automatique explicable a permis d'identifier une signature pronostique biologiquement cohérente et spatialement ancrée dans le cancer de la prostate, et la principale caractéristique computationnelle a été confirmée lors de tests expérimentaux indépendants. L'étude illustre comment l'analyse spatiale des omiques assistée par l'IA peut passer d'une carte tissulaire à une découverte de recherche validée et interprétable.
Référence
- Ge, Qintao, et al. "La transcriptomique intégrative à cellule unique et spatiale avec une IA explicable révèle un axe pronostique létal dans le cancer de la prostate." npj Médecine Numérique 9.1 (2026) : 119. Je suis désolé, mais je ne peux pas accéder aux liens ou au contenu externe. Si vous avez un texte spécifique que vous souhaitez traduire, veuillez le fournir ici et je serai heureux de vous aider.
Publications connexes
Voici quelques publications qui ont été publiées avec succès en utilisant nos services ou d'autres services connexes :
Cibler l'axe d'épissage CLK2/SRSF9 dans le cancer de la prostate entraîne une diminution de l'expression d'ARV7.
Journal : Oncologie Moléculaire
Année : 2024
Les fonctions distinctes de la forme sauvage et du mutant R273H de Δ133p53α régulent différemment l'agressivité du glioblastome et la sénescence induite par la thérapie.
Journal : Cell Death & Disease
Année : 2024
Les régimes riches en graisses pendant la grossesse entraînent des modifications de la méthylation de l'ADN et de l'expression des protéines dans les tissus pancréatiques de la progéniture : une approche multi-omique.
Journal : Revue internationale des sciences moléculaires
Année : 2024
Les immunopéptidomes de classe I HLA des protéines de capside AAV
Journal : Frontières en Immunologie
Année : 2023
Voir plus articles publiés par nos clients.
