רקמות ביולוגיות מורכבות מסוגי תאים שונים המסודרים בדפוסים ספציפיים, החיוניים לתפקודם הנכון. הבנת הסידורים המרחביים הללו חשובה כאשר בוחנים כיצד תאים מתקשרים ומגיבים לשינויים בסביבתם, כמו גם למורכבויות של פתולוגיות כמו סרטן. טכניקות טרנסקריפטומיקה מרחביות (ST), שהתפתחו במהירות בעשור האחרון, מאפשרות למדענים למפות פעילות גנים ברקמות תוך שמירה על מבנהם שלם, ומציעים תובנות עמוקות יותר במצבים בריאים וחולים כאחד.
עם זאת, זיהוי אזורי רקמות מובחנים המבוסס על פעילות הגנים שלהם נותר אתגר, שכן שיטות שונות נאבקות לאזן נתונים גנטיים עם ארגון מרחבי. לדוגמה, כמה שיטות ST מסתמכות על פרמטרים של מרחק מוגדרים באופן שרירותי, אשר עשויים שלא לשקף במדויק גבולות ביולוגיים. אחרים משלבים תמונות רקמות מרובות לשיפור הדיוק אך מוגבלות על ידי חוסר עקביות באיכות התמונה וזמינות הנתונים. בנוסף, השוואת נתוני תמונה המגיעים מניסויים שונים יכולה להיות קשה בגלל הבדלים טכניים, ולעתים קרובות דורשת התאמות ידניות ליישור מערכי נתונים כראוי ולהשיג שילוב אצווה.
כדי לטפל בבעיות אלה, צוות מחקר בראשותו של פרופסור קנטה נקאי מהמכון למדעי הרפואה, אוניברסיטת טוקיו, יפן, פיתח מסגרת למידה עמוקה הנקראת ניתוח טרנסקריפטומיקה מרחבית באמצעות למידה ניגודית גרף בעזרת תמונה (STAIG). מחקר זה, שפורסם באופן מקוון ב תקשורת טבע ב- 27 בינואר 2025 מציגה את מסגרת Staig, המשלבת ביטוי גנים, נתונים מרחביים ותמונות היסטולוגיות ללא צורך ביישור ידני, ומניבה תוצאות חריגות. המחקר נכתב יחד על ידי כמה אנשים מהמעבדה של פרופ 'נקאי, ובמיוחד ייטאו יאנג, סטודנט לתואר שלישי תחת פיקוחו.
STAIG מעבד תמונות היסטולוגיות על ידי פילוחן לטלאים קטנים וחילוץ תכונות באמצעות מודל שמספק את עצמו, תוך ביטול הצורך בהכשרה מקדימה נרחבת. לאחר מכן הוא בונה מבנה גרף מתכונות אלה, ומשתלב אסטרטגית מידע מרחבי כדי לנהל ביעילות תמונות מוערמות אנכית. בתרשימים אלה, צמתים מייצגים נתוני ביטוי גנים, ואילו הקצוות משקפים את הסגירות המרחבית. באמצעות גישה מתקדמת הנקראת גרף למידה ניגודית, STAIG מזהה תכונות מרחביות מרכזיות, מה שמאפשר לה למפות דפוסי ביטוי גנים מובחנים לאזורי רקמות ספציפיים. "STAIG ממנפת ארכיטקטורת מודל איתנה ונתוני תמונה נוספים להשגת זיהוי תחום מרחבי בעל דיוק גבוה, ובמקביל לאפשר שילוב אצווה ללא צורך ליישר קטעי רקמות או לבצע התאמות ידניות"אומר נקאי, המתווה כמה מהיתרונות העיקריים של הדגם.
צוות המחקר ערך הערכות נרחבות של מידוד, והשוואה בין סטייג לטכניקות ST חדישות אחרות. התוצאות הדגימו את הביצועים המעולים של סטייג בתנאים שונים, כולל מקרים בהם היו יישור מרחבי לא זמין או שחסרו תמונות היסטולוגיות. במערכי נתונים של סרטן שד אנושי ומלנומה של דג הזברה, סטיג זיהה בהצלחה אזורים מרחביים עם רזולוציה גבוהה, כולל אזורים מאתגרים ששיטות קיימות נאבקו לאתר. בנוסף, זה תוחם במדויק את גבולות הגידול ואזורי המעבר, והציג את הפוטנציאל שלה למחקר סרטן.
לחוקרים תקוות גדולות למסגרת המוצעת שלהם וליישומים הפוטנציאליים שלה במחקר רפואי וביולוגיה. "סטייג יאיץ את השימוש בנתוני טרנסקריפטום מרחביים כדי להבין את המבנים המורכבים של מערכות ביולוגיות, כולל האינטראקציה בין תאי סרטן לתאים הסובבים אותם ויצירת איברים בפיתוח עוברים"מסכם נקאי,"המחקר שלנו ישפר את ההבנה שלנו כיצד המוח שלנו עובד, כיצד מתפתחים תאים סרטניים וכיצד בנוי גופנו. ידע כזה יעורר את התפתחותן של שיטות טיפוליות חדשות למגוון מחלות."
מחקר נוסף בתחום זה יאפשר לנו לרתום את כוחם של טרנסקריפטומיקה מרחבית!
