Deep Learning und Ausrichtung raumaufgelöster Einzelzelltranskriptome mit Tangram

Die Erstellung eines biologischen Atlas eines Organs erfordert die räumliche Auflösung des gesamten Einzelzelltranskriptoms und die Zuordnung solcher zellulärer Merkmale zur anatomischen Ebene. Einzelzell- und Einzelkern-RNA-Sequenzierung (sc/snRNA-seq) können Zellen umfassend profilieren, verlieren dabei jedoch räumliche Informationen. Spatial Transcriptomics erlaubt räumliche Messungen, allerdings mit geringerer Auflösung und begrenzter Empfindlichkeit. Zielgerichtete in situ Technologien lösen beide Probleme, sind jedoch hinsichtlich des Gen-Durchsatzes limitiert. Um diese Einschränkungen zu überwinden, präsentieren wir Tangram, eine Methode, die sc/snRNA-seq-Daten an verschiedene Formen räumlicher Daten aus demselben Bereich anpasst, einschließlich MERFISH, STARmap, smFISH, Spatial Transcriptomics (Visium) und histologischer Bilder. Tangram kann jegliche Art von sc/snRNA-seq-Daten abbilden, einschließlich multimodaler Daten wie jene von SHARE-seq, die wir nutzten, um räumliche Muster der Chromatinzugänglichkeit sichtbar zu machen. Wir demonstrieren Tangram an gesundem Mausgewebe des Gehirns, indem wir eine genomweite anatomisch integrierte räumliche Karte mit Einzelzellauflösung der visuellen und somatomotorischen Bereiche rekonstruieren.