Les tissus biologiques sont constitués de différents types de cellules disposés dans des modèles spécifiques, qui sont essentiels à leur bon fonctionnement. Il est important de comprendre ces arrangements spatiaux lors de l'étude de la façon dont les cellules interagissent et réagissent aux changements dans leur environnement, ainsi que les subtilités des pathologies comme le cancer. Les techniques de transcriptomique spatiale (ST), qui ont rapidement évolué au cours de la dernière décennie, permettent aux scientifiques de cartographier l'activité des gènes au sein des tissus tout en gardant leur structure intacte, offrant des informations plus approfondies sur les états sains et malades.
Cependant, l'identification des régions tissulaires distinctes basées sur leur activité génique reste un défi, car différentes méthodes ont du mal à équilibrer les données génétiques avec l'organisation spatiale. Par exemple, certaines méthodes ST reposent sur des paramètres de distance définis arbitrairement, qui peuvent ne pas refléter avec précision les limites biologiques. D'autres intègrent plusieurs images de tissus pour améliorer la précision mais sont limitées par des incohérences dans la qualité de l'image et la disponibilité des données. De plus, la comparaison des données d'image provenant de différentes expériences peut être difficile en raison des différences techniques, nécessitant souvent des ajustements manuels pour aligner correctement les ensembles de données et atteindre l'intégration par lots.
Pour résoudre ces problèmes, une équipe de recherche dirigée par le professeur Kenta Nakai de l'Institut des sciences médicales, à l'Université de Tokyo, au Japon, a développé un cadre d'apprentissage en profondeur appelé analyse spatiale transcriptomique via l'apprentissage contrastif graphique assisté à l'image (STAIG). Cette étude, publiée en ligne dans Communications de la nature Le 27 janvier 2025, introduit le framework Staig, qui intègre l'expression des gènes, les données spatiales et les images histologiques sans avoir besoin d'alignement manuel, ce qui donne des résultats exceptionnels. L'étude a été co-écrite par plusieurs personnes du laboratoire du professeur Nakai, notamment Yitao Yang, doctorante sous sa supervision.
Staig traite des images histologiques en les segmentant en petits patchs et en extraitant des caractéristiques à l'aide d'un modèle auto-supervisé, éliminant le besoin d'une pré-formation approfondie. Il construit ensuite une structure graphique à partir de ces fonctionnalités, intégrant stratégiquement les informations spatiales pour gérer efficacement les images empilées verticalement. Dans ces graphiques, les nœuds représentent les données d'expression des gènes, tandis que les bords reflètent l'adjacence spatiale. En utilisant une approche avancée appelée apprentissage contrastif graphique, Staig identifie les caractéristiques spatiales clés, lui permettant de cartographier des modèles d'expression génique distincts à des régions tissulaires spécifiques. « Staig exploite une architecture de modèle robuste et des données d'image supplémentaires pour obtenir l'identification du domaine spatial à haute précision, tout en permettant l'intégration par lots sans avoir besoin d'aligner des sections de tissu ou d'effectuer des ajustements manuels», explique Nakai, décrivant certains des principaux avantages du modèle.
L'équipe de recherche a effectué de vastes évaluations de référence, en comparant STAIG à d'autres techniques ST de pointe. Les résultats ont démontré les performances supérieures de Staig dans diverses conditions, y compris les cas où l'alignement spatial n'était pas disponible ou des images histologiques manquantes. Dans les ensembles de données du cancer du sein humain et du mélanome de poisson zèbre, Staig a réussi à identifier les régions spatiales à haute résolution, y compris des régions difficiles que les méthodes existantes ont eu du mal à détecter. De plus, il a délimité avec précision les limites tumorales et les zones de transition, présentant son potentiel de recherche sur le cancer.
Les chercheurs ont de grands espoirs pour leur cadre proposé et ses applications potentielles en recherche médicale et biologie. « Staig accélérera l'utilisation de données spatiales de transcriptome pour comprendre les structures complexes des systèmes biologiques, y compris l'interaction entre les cellules cancéreuses et leurs cellules environnantes et la formation d'organes dans les embryons en développement« conclut Nakai », « Notre étude améliorera notre compréhension du fonctionnement de notre cerveau, de la façon dont les cellules cancéreuses se développent et de la façon dont notre corps est construit. Ces connaissances stimuleront le développement de nouvelles méthodes thérapeutiques pour une variété de maladies.«
Des recherches supplémentaires dans ce domaine nous permettra d'exploiter pleinement la puissance de la transcriptomique spatiale!
