Les technologies de transcriptomique spatiale avancent notre compréhension de la biologie complexe en profilant directement l'organisation cellulaire au sein des tissus. Cependant, la déconvolution précise des types cellulaires et des états fonctionnels reste un défi, car la plupart des méthodes informatiques actuelles reposent soit sur des profils de référence de cellules uniques de haute qualité (souvent absents pour de nombreux tissus ou états pathologiques), soit peinent à s'adapter à des résolutions spatiales et à des profondeurs de séquençage variables, et rencontrent des goulets d'étranglement en matière d'évolutivité dans de grands ensembles de données. Pour relever ces défis, nous avons développé une méthode de factorisation de matrice non négative basée sur le transport optimal (spOT-NMF) qui exploite la distance de Wasserstein pour démêler les signaux d'expression génique mélangés de manière indépendante de toute référence. Les tests comparatifs par rapport à des approches de déconvolution non supervisées bien établies montrent une performance optimale de spOT-NMF dans des données simulées et réelles de transcriptomique spatiale s'étendant des résolutions subcellulaires aux résolutions multicellulaires, sur plusieurs plateformes, dans des scénarios d'admixture de deux espèces tels que les xénogreffes, et dans le cancer humain. Nous proposons spOT-NMF comme un package librement disponible pour l'analyse de données spatiales, supportant l'accélération GPU pour des analyses à grande échelle.
Abdelkareem et al. (Samedi) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: