空间多组 | NG | 使用多组学和生态空间分析对组织状态进行量化表征

正文

请到「今天看啥」查看全文

Para_01

1. 为了展示多组学如何增强生态位表征，我们将MESA应用于整合了扁桃体scRNA测序数据的扁桃体CODEX数据集。
2. MESA促进了对传统分析技术无法观察到的不同细胞相互作用和邻域的界定，并揭示了不同邻域之间蛋白质和mRNA的差异表达模式。
3. 图2a展示了用细胞类型标记颜色编码的扁桃体组织样本。
4. 图2b基于细胞组成（在先前的技术中常用；左侧）呈现了邻域特征，通过计算机模拟的多组学融合显示了平均蛋白表达（中间）和mRNA表达（右侧）。
5. 注：扁桃体CODEX数据集编号为32，扁桃体scRNA-seq数据编号为40。

Fig. 2: Multiomics spatial analysis enhances niche characterization in tonsil tissues.

Para_02

1. 我们观察到在生发中心内一致出现的增强的空间区域划分（图2b中间和右侧面板标记为区域0、1和3）。最初识别出的区域被称为区域1（左侧面板）。
2. 图2c放大了其中一个这样的生发中心（由虚线圈出）以说明这些区别。
3. 生发中心主要由B细胞组成（i），对应于区域1（橙色；ii）。
4. MESA将其细分为不同的区域（橙色、红色和蓝色；iii和iv），这种模式在多个生发中心中均被一致地观察到，揭示了先前算法未检测到的不同亚微环境。

Para_03

1. 使用香农熵评估了生态位表征的精细度。较高的熵值表示更精细的划分：基于蛋白质和mRNA的方法（3.1和3.0）优于细胞组成（2.7），支持了我们的视觉观察，并证明了MESA识别更细微区域的能力。
2. 尽管在细胞区室边界或过渡区域中，基于蛋白质和mRNA的结果存在一些小的不一致（图2b、c和补充图1），但总体区室结构保持一致。
3. 为了展示MESA的鲁棒性，我们将扁桃体CODEX数据与另一个扁桃体单细胞RNA测序数据集（第41号数据集）整合，得到了高度一致的结果，保留了关键的空间结构（扩展数据图1）。

Para_04

1. 为了评估我们提出的多组学框架的普适性，我们使用了三种额外的聚类方法——BIRCH42、分层聚类43和FlowSOM44——与k-means一起进行评估。
2. 结果一致表明，使用多组学信息能够更好地界定邻域（补充图2）。
3. 与基于标记强度的邻域表征方法（包括BANKSY45、CellCharter16和UTAG15）相比，基于细胞组成的方法提供了更精细的表征，但MESA更有效地界定了复杂的邻域（扩展数据图2）。
4. 最后，虽然应用更细粒度的细胞类型注释增强了基于组成的分析方法，但MESA通过整合连续的多组学表达和空间背景提供了更深入的见解（补充图3）。

Para_05

1. 细胞组成、蛋白质和mRNA表达在各个区域可视化显示于图2d。
2. 尽管各个区域的细胞组成相似，所有46种CODEX蛋白标记物和前50个可变mRNA基因显示出明显的表达模式。
3. 例如，区域1、0和3（红框）显示出相似的细胞构成，但Ki67、CD21和CD22蛋白以及CD74和TUBA1B mRNA的表达水平不同，这与生发中心内已知的不同B细胞亚群的标志物一致46,47,48。
4. 注：文献引用编号46,47,48在翻译结果中未保留。

Para_06

1. 此外，DE和GSEA揭示了更细粒度的区域之间的功能差异（图2e和补充图4）。
2. 区域0显示出包括E2F靶点、G2M检查点和DNA修复在内的途径显著富集，而区域3则显示出通过核因子κB（NF-κB）的TNFA信号传导、IL-2 STAT5信号传导和干扰素-γ反应。
3. 这些发现与生发中心暗区和明区在B细胞增殖与选择及抗原呈递方面的不同功能一致49。
4. MESA的分析反映了这种分离，揭示了与文献预期一致的分子特征。
5. 这种增强的表征展示了MESA揭示复杂组织结构内关键细胞动力学的能力。
6. 此类见解将有助于阐明淋巴组织内免疫监视和反应的机制。

Eco-spatial analysis reveals autoimmune tissue remodeling

生态空间分析揭示了自身免疫组织重塑

Para_01

1. 我们应用了MESA的生态空间框架来分析健康小鼠和MRL/lpr小鼠（一种系统性自身免疫疾病的鼠类模型）的CODEX脾脏数据集。这些组织被分割成30微米×30微米的斑块。
2. 图3a显示了细胞类型图（顶部），多样性热图（中间；红色：更高，蓝色：更低）以及多样性的热点和冷点（底部）。

Fig. 3: Eco-spatial analysis reveals distinct tissue remodeling in autoimmune disease.

- 图片说明

◉ BALBc-1（健康对照）和MRL-8（MRL/lpr）小鼠组织切片的对比可视化显示：（1）细胞类型图（顶部）；（2）多样性热图（中间），不同色调表示细胞多样性的不同水平（红色代表更高多样性，蓝色代表更低多样性）；以及（3）多样性热点和冷点的地图（底部）。DC，树突状细胞。 ◉ 对MESA多样性指标的定量评估，包括MDI、GDI和DPI，突出了健康（n=3）和MRL/lpr组织（n=6；b-d样本量相同）之间空间多样性模式的统计学显著差异。标准箱线图指标贯穿始终：中位数（中心线）、四分位数（框）、须（1.5倍IQR）。b-d中的每个点对应一个个体组织样本。 ◉ 健康组织显示出更高的GDI（P<0.001）和DPI（P=0.014）值，而患病的MRL/lpr组织表现出更高的MDI值（P=0.002）。通过双侧Welch’s t检验对不同组织样本进行了统计比较。 ◉ 健康和患病脾脏组织中细胞类型的分布占总细胞群体的百分比。通过双侧Welch’s t检验进行比较，并使用BH程序进行FDR校正。值得注意的是，健康和患病组织之间细胞频率的差异在多样性热点内比在整个组织内更为明显。 ◉ 健康和患病组织中不同细胞类型的共存情况。通过双侧Welch’s t检验进行比较，并使用BH程序进行FDR校正。与前述一样，差异在多样性热点内比在整个组织内更为明显，且P值较低。 ◉ 对比健康和患病组织中CD8+ T细胞和F4/80+巨噬细胞的共存模式，附有相应的CODEX图像。

Para_02

1. 高多样性区域与边缘区和红髓相对应，而低多样性区域则对应于B细胞滤泡和套区动脉周围淋巴鞘。
2. MESA揭示了疾病进程中细胞多样性模式的显著变化。
3. MRL/lpr组织的MDI高于健康组织（图3b，左）。
4. 这种差异反映了健康脾脏组织中同质区域的空间排列，这些区域在整个空间尺度上保持一致的细胞类型多样性。
5. 这些区域主要由B细胞滤泡和套区动脉周围淋巴鞘组成，对脾脏免疫功能至关重要。
6. 在MRL/lpr组织中，疾病进程通过边缘区消散、套区动脉周围淋巴鞘解体以及红髓中红细胞祖细胞入侵来破坏这种组织结构。

Para_03

1. 通过MESA，这些后期变化扰乱了以前组织好的组织结构，产生了马赛克样的模式和跨尺度的多样性波动。
2. 健康的脾脏组织具有更高的GDI（图3b，中间），表明高多样性和低多样性区域的明显分离以及更有序的隔间。
3. 相反，患病组织显示出较低的GDI和更多的混合模式，这表明脾脏功能受损。
4. 此外，使用LDI，识别为热点/冷点的区域在健康样本与患病样本中表现出不同的空间接近性。
5. 健康组织显示较高的DPI，热点更为扩展且接近（图3b，右侧）。
6. 在健康组织中，热点与红髓（含有红细胞、F4/80+巨噬细胞、基质细胞）对齐，而冷点与B淋巴滤泡（B细胞）和PALS（T细胞）相关联。
7. 在患病组织中，热点转移到重构的PALS和侵袭前沿，冷点出现在剩余的B淋巴滤泡中。

Para_04

1. 为了展示MESA在发现这些重要的空间区室方面的独特能力，超越了先前的邻域/生态位方法，我们将它与Spatial-LDA、UTAG和CellCharter进行了比较。
2. MESA的多样性热点/冷点并不与这些传统的邻域/生态位方法所识别的区域重合（扩展数据图3a），突显了它的独特优势。

Para_05

1. 在有限的空间组学定量指标中，CellCharter 引入了在空间分析中逐渐受到关注的形状指标，包括旋度、拉长率、线性度和纯度。
2. MESA 的指标在区分 MRL/lpr 组织与健康组织方面优于 CellCharter（扩展数据图 3b）。
3. MESA 在表现上也优于已建立的空间生态学指标，如分形维数指数和形状指数（补充图 5）。
4. 此外，我们将全局和局部 Getis-Ord Gi/Gi* 统计纳入基准测试，MESA 表现更好（补充图 6），并且作为 MESA 软件包中的附加选项。

Para_06

1. 我们分析了健康和患病脾脏热点区域中的细胞组成和共存情况，以识别与疾病相关的特征性细胞类型或组合。
2. 在患病脾脏的整体组织和热点区域中，B细胞的频率显著下降（图3c，左）。
3. 然而，热点区域独特地显示出B220+、DN T细胞以及CD106+CD16/32+CD31+基质群体的增加（图3c，中/右和补充图7-9），突显了以热点为中心的分析在检测细微变化方面的效用。
4. 跨热点和冷点的细胞类型组成可视化（扩展数据图5）揭示了样本内部和之间的空间异质性。
5. 就共存而言，患病样本中CD8+ T细胞与CD106+CD16/32+CD31−Ly6c−基质细胞（图3d，左）以及ERTR7+基质细胞（图3d，中）之间的共存增加。

Para_07

1. 这些模式仅出现在热点区域，而非整个组织（图3d、扩展数据图4和补充图10）。
2. ERTR7+ 基质细胞与CD8+ T细胞之间的空间关联增强，表明ERTR7+基质细胞在疾病状态下积极促进T细胞运动和可能的激活54。
3. 相比之下，健康样本显示CD8+ T细胞和F4/80+巨噬细胞共存增加（图3d，右侧），这与F4/80+巨噬细胞在免疫调节和自身免疫预防中的作用一致55。
4. 在所有研究案例中，热点区域与整个组织相比，这些差异更为明显，达到了统计显著性，P值更低。
5. 图3e展示了热点区域中CD8+ T细胞和F4/80+巨噬细胞的分布情况，放大后的热点区域和相应的CODEX图像显示健康脾脏与患病脾脏之间频率更高。
6. 这些细胞频率和相互作用的变化表明脾脏组织结构的重大重组以及免疫景观的改变，揭示了驱动疾病进展和免疫失调的机制。

MESA improves prognostic capabilities for CRC

MESA提升了CRC的预后能力

错误！！！ cannot unpack non-iterable NoneType object

Fig. 4: Multiomics and eco-spatial analysis improves prognostic capabilities for CRC.

- 图片说明

◉ 可视化CLR和DII患者组织样本：（1）细胞类型图（顶部），（2）多样性热图（中间，红色：更高多样性，蓝色：更低多样性）以及（3）多样性热点和冷点图（底部）。 ◉ 对CLR（n=17）和DII（n=18）组织的MESA多样性指标进行定量评估（b和d具有相同的样本量）。分析过程中使用了标准箱线图指标。 ◉ 分析突出了空间多样性模式的显著差异，CLR组织显示出更高的MDI（P=0.018）、GDI（P=0.006）和DPI（P=0.046），表明两种CRC亚型之间存在不同的空间模式。 ◉ 统计比较采用双侧Welch t检验。 ◉ Kaplan-Meier生存曲线根据病理学家注释的CLR/DII分类和MESA多样性指标对CRC患者进行分层。 ◉ 双侧对数秩检验显示两种方法均具有显著分层效果，MESA指标表现出较低的P值。 ◉ Cox比例风险模型证明，基于一致性指数（C-index：0.734±0.106）的MESA指标表现优于CLR/DII注释（0.717±0.088），当结合使用时进一步提高（0.763±0.085）。 ◉ B细胞、Treg细胞以及Treg细胞与CD68+CD163+巨噬细胞共存频率在CLR和DII组织中的丰度。 ◉ 值得注意的是，在热点区域与整个组织之间的CLR和DII的区别更为明显，基于双侧Welch t检验和BH FDR校正，达到了更低的P值。 ◉ Circos图展示了细胞丰度和共存频率，节点代表不同的细胞类型，边代表共存关系。节点大小对应细胞类型的丰度，而边的粗细表示共存强度。 ◉ 差异表达和基因集富集分析揭示了区分位于热点与冷点的CD68+CD163+巨噬细胞的独特基因表达模式。 ◉ 差异表达采用双侧精确检验，基因集富集分析采用双侧置换检验；所有P值已通过BH程序调整。 ◉ DE的调整P值阈值设定为0.05，效应量（对数值变化）阈值设定为0.1。

Para_02

1. 将 MESA 指标应用于 CRC 数据集揭示了 CLR 和 DII 亚型之间的显著差异（图 4b）。
2. CLR 患者表现出更高的 MDI，并且在各个尺度上细胞多样性具有更动态的变化（图 4b，左）。
3. 较高的 GDI 表明高多样性和低多样性区域的明显分离（中间）。
4. 较高的 DPI 反映出更大的、接近的热点（右）。
5. 相比之下，DII 患者显示出更混合的模式和更小、分散的热点。
6. MESA 的指标定量地表征了 CRC 组织结构，并且在区分疾病状态方面优于 CellCharter 的指标（补充图 11）。

Para_03

1. 我们使用了MESA多样性指标来建模结直肠癌患者的生存结果，其表现优于病理学家的传统CLR/DII注释。这证明了这些自动指标在患者分层中的价值。
2. 基于空间多样性的Cox比例风险模型将患者分为两组，具有显著不同的Kaplan-Meier曲线（P < 0.0001）。
3. 值得注意的是，基于多样性的分层比CLR/DII注释显示出更大的Kaplan-Meier曲线分离（图4c，左/中）。
4. 我们的模型还实现了更高的预测准确性，将一致性指数（C-index）从0.717提高到0.734。
5. 将多样性指标与CLR/DII注释相结合进一步提高了预后能力（C-index：0.763；图4c，右）。

Para_04

请到「今天看啥」查看全文