Räumliche Transkriptomik-Sequenzierungstechniken werden bei der Untersuchung von RNA in komplexen Geweben immer populärer. Mit diesen neuartigen Ansätze wird die Häufigkeit von Transkripten unter Beibehaltung ihrer räumlichen Lage gemessen, und ermöglichen so die Untersuchung der Genexpression in einem unvoreingenommen, raumzeitlichen Kontext. Angesichts der Vielfalt der zugrunde liegenden experimentellen Techniken, die Datensätze, die von verschiedenen Transkriptomik-Assays erstellt werden, variieren stark. Diese Datensätze werden von Pipelines verarbeitet und analysiert, die speziell für die jeweilige Methode entwickelt sind. Sie sind weder einfach modifizierbar, noch erweiterbar, dadurch sind sie nicht mit Inputs anderer Technologien kompatibel.
Hier wird spacemake vorgestellt, eine bioinformatische Software, die darauf abzielt, die Lücke zwischen den verschiedenen räumlichen transkriptomischen Sequenzierungsansätzen zu schließen, durch sie einheitliches, schnelles, modulares, reproduzierbares und erweiterbares Rahmenwerk für die Verarbeitung und Analyse groß angelegter räumlicher transkriptomischer Daten bietet. Spacemake verarbeitet erfolgreich Daten aus den neuesten räumlichen Transkriptomik-Assays, unabhängig von ihrer Inputs. Spacemake ist parallel und läuft im Vergleich zu anderen vergleichbaren Techniken schneller. Spacemake ist modular entwickelt, und bietet verschiedene Module wie automatisiertes Clustering und Analyse, Quality Control, Saturation Analyse durch Downsampling, Zusammenführung technischer Replikate, Integration von scRNA-seq-Daten und Alignment von Mikroskopiebildern. Um ein Höchstmaß an Flexibilität zu bieten, ermöglicht spacemake benutzerkonfigurierbare Einstellungen\textit{run-mode} Einstellungen, wodurch die Unterstützung einer breiten Palette experimenteller Designs gewährleistet wird. Da spacemake in Python geschrieben ist, lässt es sich gut mit anderen Computational Biologie Methoden integrieren. Insgesamt hat spacemake das Potenzial, ein wichtiger Bestandteil der räumlichen Transkriptomik-Toolbox der Gegenwart und Zukunft zu sein. / Spatial transcriptomics sequencing techniques are increasingly popular when studying RNA in complex tissues. These novel approaches measure the abundance of transcripts while retaining their spatial location information, thus allowing the study of gene expression in an unbiased, spatiotemporal context. Given the variety of the underlying experimental techniques, the datasets which are produced by each spatial transcriptomic assay also vary greatly. These datasets are processed and analyzed by pipelines tailored specifically for each method, and are not easily modifiable nor extendable, thus making them incompatible to work with inputs from other technologies.
Here spacemake is introduced, a bioinformatic software that aims to close the gap between the various spatial transcriptomic sequencing approaches, by providing a unified, fast, modular, reproducible, and extendable framework for large-scale spatial transcriptomic data processing and analysis. Spacemake successfully processes data from the latest spatial transcriptomics assays, regardless of their input data structure. Spacemake is parallel and runs faster when compared with other similar methods. It has a modular design and offers several modules such as automated clustering and analysis, quality control, saturation analysis through downsampling, technical replicate merging, scRNA-seq data integration, and microscopy image alignment. To offer maximum flexibility, spacemake allows for user-configurable \textit{run-mode} settings, ensuring support for a wide range of experimental designs. Written in Python, spacemake integrates well with other computational biology solutions. Overall spacemake has the potential to be an important part of the spatial transcriptomics toolbox of the present and future.
Identifer | oai:union.ndltd.org:HUMBOLT/oai:edoc.hu-berlin.de:18452/29840 |
Date | 05 August 2024 |
Creators | Sztanka-Tóth, Tamás Ryszard |
Contributors | Rajewsky, Nikolaus, Matthias, König, Irimia, Manuel |
Publisher | Humboldt-Universität zu Berlin |
Source Sets | Humboldt University of Berlin |
Language | English |
Detected Language | German |
Type | doctoralThesis, doc-type:doctoralThesis |
Format | application/pdf |
Rights | (CC BY 4.0) Attribution 4.0 International, https://creativecommons.org/licenses/by/4.0/ |
Relation | 10.1093/gigascience/giac064 |
Page generated in 0.002 seconds