シングルセル空間オミクスデータにおける細胞集団描写を強化するためのクロスドメイン情報融合

細胞集団の描写と識別は、単一細胞および空間オミクスの研究における重要なステップです。Spatial-Omicsテクノロジーは、このタスクに関連する3つの補完的なドメインからの情報を同時に測定できます。単一細胞分解能での分子バイオマーカーのパネルの発現レベル、細胞の相対位置、および組織切片の画像ですが、このタスクを実行するための既存の計算方法単一セルの空間オミクスデータセットでは、多くの場合、1つ以上のドメインから情報を放棄します。「Atlas」トレーニングまたはリファレンスデータセットの可用性に追加の依存により、細胞型の発見は明確であるが限られた細胞集団ラベルに制限されているため、実際にこれらの方法を使用するための大きな課題が生じます。3つのドメインすべての統合を成功させることは、細胞および組織レベルでの空間的コンテキストによって機能的に層別化される細胞集団を明らかにする機会を提供します。そもそも空間オミクス技術を採用するための重要な動機です。この作業では、セルのパティオとnのnnotation and notation and p atterning（Cellsnap）を紹介します。 - セルまたはより細かい解像度。学習した表現ベクトルは、前述の3つのドメインすべてにわたって対応するセルに関する情報を融合します。空間プロテオームおよび空間的トランスクリプトームモダリティの両方に及ぶデータセットにセルサップを適用し、さまざまな組織タイプと疾患の設定にまたがるデータセットを適用することにより、細胞が完全に統合された細胞を超えて、現在のアプローチを超えて、細かい粒度で生物学的に関連する細胞集団のde novo発見を著しく強化することを示します。細胞近傍および組織画像情報を備えた分子プロファイル。

Cell population delineation and identification is an essential step in single-cell and spatial-omics studies. Spatial-omics technologies can simultaneously measure information from three complementary domains related to this task: expression levels of a panel of molecular biomarkers at single-cell resolution, relative positions of cells, and images of tissue sections, but existing computational methods for performing this task on single-cell spatial-omics datasets often relinquish information from one or more domains. The additional reliance on the availability of "atlas" training or reference datasets limits cell type discovery to well-defined but limited cell population labels, thus posing major challenges for using these methods in practice. Successful integration of all three domains presents an opportunity for uncovering cell populations that are functionally stratified by their spatial contexts at cellular and tissue levels: the key motivation for employing spatial-omics technologies in the first place. In this work, we introduce Cell S patio- and N eighborhood-informed A nnotation and P atterning (CellSNAP), a self-supervised computational method that learns a representation vector for each cell in tissue samples measured by spatial-omics technologies at the single-cell or finer resolution. The learned representation vector fuses information about the corresponding cell across all three aforementioned domains. By applying CellSNAP to datasets spanning both spatial proteomic and spatial transcriptomic modalities, and across different tissue types and disease settings, we show that CellSNAP markedly enhances de novo discovery of biologically relevant cell populations at fine granularity, beyond current approaches, by fully integrating cells' molecular profiles with cellular neighborhood and tissue image information.