الگوریتم جدید با حفظ جزئیات در سطح سلول، مقایسه نقشه‌های فعالیت ژن را آسان‌تر می‌کند

ویرایش شده توسط Sadie Harley، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

رونویسی فضایی می‌تواند مکان‌هایی را که هزاران ژن در یک بافت فعال هستند، نشان دهد و نقشه‌های مولکولی را با وضوح تک سلولی ایجاد کند. اما مقایسه دو چنین نقشه‌ای دشوار است: برش‌های نازک بافت ممکن است چرخانده شوند، کشیده شوند یا به شکل دیگری منحرف شوند، بنابراین مناطق معادل به طور خودکار در یک ردیف قرار نمی‌گیرند.

محققان دانشگاه کانازاوا و دانشگاه ساپینزا رم یک روش محاسباتی ایجاد کرده‌اند که این نقشه‌ها را مستقیما از مکان‌های اندازه‌گیری فردی و مقادیر فعالیت ژنی آن‌ها تراز می‌کند. این نقشه که Domain Elastic Transform (DET) نامیده می‌شود، یک نقشه دیجیتال را بدون اینکه ابتدا اندازه‌گیری‌ها را به شبکه‌ای از پیکسل‌ها تبدیل کند، به آرامی تغییر شکل می‌دهد تا با دیگری مطابقت داشته باشد.

این تحقیق که توسط Osamu Hirose از دانشگاه Kanazawa با همکاری Emanuele Rodolà از دانشگاه Sapienza رم انجام شد، در IEEE Transactions on Pattern Analysis and Machine Intelligence منتشر شد.

برای درک نحوه عملکرد یک اندام، دانشمندان نه تنها باید بدانند که حاوی کدام سلول است، بلکه باید بدانند آن سلول ها چگونه مرتب شده اند و کدام ژن ها فعال هستند. مقایسه نقشه‌های بافتی می‌تواند به محققان کمک کند تا چگونگی رشد اندام‌ها و چگونگی تغییر سازماندهی و فعالیت سلول‌هایشان را بیماری بررسی کنند.

مقایسه‌های معنادار مستلزم شناسایی مناطق معادل در نمونه‌های مختلف است. به عنوان مثال، فعالیت ژن در یک ناحیه مغز باید با فعالیت در ناحیه مربوط به مغز دیگر مقایسه شود - نه یک ناحیه نامرتبط.

با این حال، نمونه‌های بافت به طور طبیعی از نظر شکل متفاوت هستند و برش و تهیه برش‌های نازک می‌تواند باعث کشش یا سایر اعوجاج‌ها شود. بنابراین، زمانی که نقشه‌های آنها روی هم قرار می‌گیرند، مناطق مربوطه لزوما در یک ردیف قرار نمی‌گیرند.

رایانه‌ها می‌توانند با جابجایی، چرخش و در صورت نیاز، تغییر شکل هموار نقشه‌های دیجیتال برای تراز کردن مناطق مربوطه کمک کنند. این فرآیند که ثبت نام نامیده می شود، یک سیستم مختصات مشترک برای مقایسه فعالیت ژن و سازماندهی سلولی در بین نمونه ها ایجاد می کند.

یافتن نواحی مربوطه به چیزی بیش از تطبیق خطوط کلی دو نمونه بافت نیاز دارد. مناطق با شکل های مشابه می توانند الگوهای فعالیت ژنی متفاوتی داشته باشند. بنابراین هر سلول یا مکان اندازه گیری شده دو سرنخ برای هم ترازی ارائه می دهد: جایی که در بافت قرار دارد و کدام ژن ها در آنجا فعال هستند.

روش های موجود از این سرنخ ها به روش های مختلف استفاده می کنند. روش‌های مبتنی بر تصویر می‌توانند از فعالیت ژن استفاده کنند، اما معمولا ابتدا اندازه‌گیری‌ها را به یک شبکه منظم از پیکسل‌ها تبدیل می‌کنند.

این تبدیل می تواند ساختارهای ظریف را محو کند و جزئیات سطح سلول را کاهش دهد. روش‌هایی که نقاط را با استفاده از مکان‌هایشان به تنهایی تراز می‌کنند، اندازه‌گیری‌ها را به عنوان نقاط مجزا نگه می‌دارند اما ممکن است مناطقی را با اشکال مشابه اشتباه بگیرند. روش‌های دیگر می‌توانند سلول‌ها یا نواحی را در سراسر نمونه‌ها بدون تخمین چگونگی تغییر شکل هموار نقشه بافت پیوند دهند.

هیروس از دانشگاه کانازاوا می‌گوید: «رونویسی فضایی دو نوع اطلاعات را در یک زمان به ما می‌دهد: سلول کجاست و چه ژن‌هایی را بیان می‌کند. ما یک روش هم‌ترازی می‌خواستیم که بتواند از هر دو استفاده کند، در حالی که به جای اینکه ابتدا داده‌ها را در یک تصویر قرار دهیم، وضوح فضایی اصلی حفظ شود».

برای داده های سطح سلول، DET هر سلول را با موقعیت آن و فعالیت ژن اندازه گیری شده نشان می دهد.

این روش به طور مکرر دو مرحله را انجام می دهد. اول، تطابق احتمالی بین سلول‌ها در دو نقشه را با استفاده از موقعیت‌ها و شباهت‌های آنها در فعالیت ژن تخمین می‌زند. سپس موقعیت سلول ها را در یک نقشه دیجیتال تنظیم می کند و سلول های همسایه را تشویق می کند تا با هم حرکت کنند. تکرار این مراحل به تدریج تراز را اصلاح می کند تا زمانی که تثبیت شود.

DET موقعیت سلول را در نقشه دیجیتال تغییر می دهد، نه مقادیر ثبت شده فعالیت ژن را. این مقادیر در عوض سرنخ هایی در مورد اینکه کدام مناطق باید مطابقت داشته باشند را ارائه می دهند. همچنین نیازی به مجموعه‌ای از نمونه‌های تمرینی از پیش تنظیم‌شده یا مسابقاتی که به‌طور دستی شناسایی شده‌اند، ندارد، و این روش را بدون آموزش و بدون نظارت می‌سازد.

محققان DET را با روش‌های دیگر در 90 مورد آزمایشی با استفاده از نقشه‌های مغز موش ایجاد شده با MERFISH، تکنیکی برای نقشه‌برداری فعالیت ژن مقایسه کردند. برای اینکه کار هم ترازی را عمدا مشکل کنند، آنها نقشه ها را به صورت دیجیتالی با زوایای تصادفی در محدوده کامل 0 تا 360 درجه چرخانده و آنها را با فواصل بزرگ جابه جا کردند.

در میان روش‌های آزمایش‌شده، DET در سه معیار بالاترین امتیاز را کسب کرد: اینکه چگونه نقشه‌های بافتی با هم همپوشانی دارند، آیا سلول‌های همسایه پس از هم‌ترازی همسایه باقی می‌مانند و الگوهای فعالیت ژن تا چه حد موافق هستند. برای مقایسه فعالیت ژن، محققان اطلاعات مربوط به فعالیت ژن را از سلول های مجاور قبل از مقایسه الگوها ترکیب کردند.

رشد جنین ها چالش دیگری را ایجاد می کند: شکل آنها در طول زمان، همراه با انواع و نسبت سلول های موجود در آنها تغییر می کند. محققان DET را روی نقشه های جنین موش از دو مرحله رشد به فاصله یک روز آزمایش کردند. هر نقشه شامل بیش از 100000 مکان اندازه گیری بود.

این نقشه‌ها از اطلس MOSTA، مجموعه‌ای از نقشه‌های توسعه موش، تهیه شده‌اند و با استفاده از Stereo-seq، تکنیکی که فعالیت ژن را در سراسر بافت ثبت می‌کند، ایجاد شده‌اند.

DET ابتدا موقعیت و جهت کلی نقشه ها را تنظیم کرد، سپس به آرامی یکی را تغییر شکل داد تا تراز را اصلاح کند. هیچ مرجع تأیید شده ای نشان نداد که دقیقا کدام مکان ها باید در این مراحل مطابقت داشته باشند. بنابراین آزمایش نشان داد که DET می تواند برای نقشه هایی با این اندازه و پیچیدگی اعمال شود.

برای آزمایش اینکه چگونه DET مجموعه داده‌های بزرگ‌تر را مدیریت می‌کند، محققان به طور مصنوعی داده‌های مبتنی بر MERFISH را تا 1 میلیون نقطه در هر برش بافت گسترش دادند. حداکثر استفاده از حافظه در هر تنظیم تست شده به طور متوسط ​​کمتر از 1 گیگابایت (گیگابایت) بوده است.

DET تراز را با استفاده از یک زیرمجموعه انتخاب شده از نقاط به نام نشانه ها تخمین می زند و حرکت تخمین زده شده را تا نقشه کامل گسترش می دهد. تعداد نشانه‌ها - بودجه شاخص - میزان محاسبه مورد نیاز مرحله تغییر شکل را کنترل می‌کند.

با ثابت ماندن تعداد نشانه‌ها، حداکثر استفاده از حافظه تقریبا متناسب با تعداد کل نقاط افزایش یافت. زمان محاسبه عمدتا به تعداد نشانه‌های مورد استفاده در مرحله تراز اصلی بستگی داشت، نه به اندازه کامل مجموعه داده. این نتایج از استفاده از DET با نقشه های بافت بزرگ پشتیبانی می کند، اگرچه زمان دقیق مورد نیاز به تنظیمات کامپیوتر و الگوریتم بستگی دارد.

نقشه های بافتی تنها داده های علمی نیستند که مکان ها را با اندازه گیری ها ترکیب می کنند. چالش های مشابهی با اندازه گیری های متصل به سطوح سه بعدی یا ساختارهای تشریحی ایجاد می شود.

DET برای تکمیل روش های هم ترازی موجود در نظر گرفته شده است، نه جایگزینی آنها در هر تنظیمات. این برای کارهایی طراحی شده است که هم به جزئیات فضایی دقیق و هم به تغییر یکنواخت نقشه نیاز دارند، نه فقط فهرستی از مکان‌های منطبق.

هیروس می‌گوید: «بسیاری از مجموعه‌های داده علمی به ما می‌گویند که یک چیز کجاست و چه چیزی در آنجا اندازه‌گیری شده است. ما می‌خواستیم راهی برای استفاده از هر دو نوع اطلاعات در هنگام همتراز کردن مجموعه‌های داده مختلف، به جای اینکه شکل و اندازه‌ها را جداگانه بررسی کنیم، استفاده کنیم.

هدف گسترده‌تر این است که به محققان کمک کند تا مناطق مربوطه را در نمونه‌های بافتی مقایسه کنند، حتی زمانی که شکل‌ها و الگوهای فعالیت ژنی آنها متفاوت است.

Osamu Hirose و همکاران، تبدیل الاستیک دامنه: ثبت تابع بیزی برای داده های علمی با ابعاد بالا، تراکنش های IEEE در تجزیه و تحلیل الگو و هوش ماشین (2026). DOI: 10.1109/tpami.2026.3733393

اطلاعات مجله: IEEE Transactions on Pattern Analysis and Machine Intelligence

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →