Key points are not available for this paper at this time.
Kürzliche technologische Fortschritte haben ein räumlich aufgelöstes Transkriptom-Profiling ermöglicht, jedoch bei mehrzellulärer Pixelauflösung, was die Identifizierung von zelltyp-spezifischen räumlichen Mustern und der Variation der Genexpression behindert. Um diese Herausforderung anzugehen, entwickeln wir STdeconvolve als einen referenzfreien Ansatz zur Dekonvolution der zugrunde liegenden Zelltypen, die solche mehrzellulären Pixelauflösungs-Spatial Transcriptomics (ST)-Datensätze umfassen. Anhand von simulierten sowie realen ST-Datensätzen aus verschiedenen räumlichen Transcriptomics-Technologien mit einer Vielzahl von räumlichen Auflösungen, wie Spatial Transcriptomics, 10X Visium, DBiT-seq und Slide-seq, zeigen wir, dass STdeconvolve effektiv zelltyp-spezifische Transkriptionsprofile und deren proportionale Darstellung innerhalb der Pixel ohne Abhängigkeit von externen Einzelzell-Transcriptomics-Referenzen wiederherstellen kann. STdeconvolve bietet eine vergleichbare Leistung zu bestehenden referenzbasierten Methoden, wenn geeignete Einzelzell-Referenzen verfügbar sind, sowie potenziell überlegene Leistung, wenn geeignete Einzelzell-Referenzen nicht verfügbar sind. STdeconvolve ist als Open-Source-R-Softwarepaket verfügbar, dessen Quellcode unter https://github.com/JEFworks-Lab/STdeconvolve verfügbar ist.
Miller et al. (Fr,) haben diese Frage untersucht.