位于休斯顿的MD安德森癌症中心的科学家开发了一种计算方法，将单细胞RNA-seq (scRNA-seq)和空间转录组学(ST)数据结合起来，以单细胞分辨率重建空间细胞地图。
这种方法被称为CellTrek，它直接将单个细胞映射到物理位置，而其他空间反褶积方法通常将细胞混合映射到较小但不太精确的区域。
该团队目前正在通过在工作流程中添加图像识别和深度学习来增强CellTrek的性能，同时与病理学家合作开发CellTrek的临床应用。
该研究的通讯作者Nicholas Navin在一次采访中说:“很多病理学家对这个工具很感兴趣，他们想知道如何通过更多的定量数据映射来提高对肿瘤组织的定性分析。”
研究人员上周在CellTrek上发表了一篇原理证明论文自然生物技术vwin德赢ac米兰合作．Navin指出，尽管CellTrek是一个开源工具，因此它本身不太可能被商业化，但他期待与有兴趣将其添加到自己的商业工作流程的公司合作。
CellTrek比较单个细胞之间的转录相似性，这可以解释细胞类型之间的明显差异，以及同一类型细胞之间更微妙的变化。该算法将单细胞基因表达谱分解为它们的主成分，然后通过一种称为随机森林分类器的机器学习技术将其映射回微阵列上的点，该技术估计数据点之间的距离。
与其他反褶积方法相比，这提供了更高的视觉映射分辨率，其他反褶积方法通常将基因表达谱映射到预定的细胞模型。
“通常，”该研究的第一作者魏润民(Runmin Wei)说，“人们首先试图定义细胞类型，并利用这一参考，试图将每个ST点分解为不同细胞类型的比例。”
同一细胞类型内可能存在由连续变量表示的不同的细胞状态，而基于细胞类型的反褶积方法很难区分这些状态。
纳文解释说，有了CellTrek，“你可以绘制出许多中间状态的轨迹。你可以绘制一个连续的表型如内皮到间充质转变的数量或侵袭特征。所以你可以认为它真的能够映射细胞状态，而大多数反褶积是一种细胞类型的水平。”
Navin和他的同事对CellTrek进行了模拟测试原位在研究细胞类型的空间组织和状态之前的数据集，使用小鼠大脑和肾脏组织，以及来自两种人导管癌的数据原位(DCIS)样本。
CellTrek首先从公开的小鼠大脑和肾脏组织的scRNA-seq和ST数据中可靠地重建组织模式并识别细胞亚型，ST数据来自多个平台，在这种情况下，10x Genomics的Visium和Slide-seq v.2是Broad研究所开发的开源平台。除了重构空间模式，CellTrek还发现了其他反褶积方法更容易遗漏的微妙基因表达模式。
在展示了CellTrek跨平台的能力后，MD Anderson团队将他们的技术应用于DCIS乳腺癌样本，使用3' scRNA-seq和Visium，都来自10x Genomics，建立他们的测序和ST数据集。
CellTrek识别了肿瘤亚克隆及其祖克隆，通过将细胞映射到不同的导管区域，显示了特定肿瘤区域内独特模式的进化和肿瘤广泛的空间异质性。
在一个单独的DCIS组织样本中，Navin的团队将其分析扩展到肿瘤-免疫微环境中，绘制肿瘤和免疫细胞的图谱，并显示在DCIS区域附近的免疫细胞富集。
作为一种下游分析方法，CellTrek对早期的组织处理仍然很敏感，比如样本是新鲜的还是已经包在石蜡中，后者会导致斑点之间一定程度的核酸“出血”。
同样，用于分配细胞位置的微阵列的技术限制也会影响CellTrek的输出。例如，Visium平台上的斑点在斑点中心之间允许大约50微米的扩散空间。纳文说，缩短距离的尝试在明确识别单个点方面遇到了一些麻烦。
“我们希望很多人会使用这个工具，”纳文说，“它将影响生物学和生物医学的相当多的领域。”