השוואה ואופטימיזציה של שיטות העדפת שכנות תאים לניתוחים כמותיים של רקמות

מדוע שכני תאים חשובים

גופנו מורכב משכונות תאים שוקקות חיים, לא מפיזור אקראי. אילו תאים יושבים ליד אילו יכולים להשפיע על קצב גידול גידול, על אופן ריפוי של פצע או על התאוששות הלב לאחר התקף. מאמר זה שואל שאלה נראית פשוטה: כאשר מדענים מודדים אילו סוגי תאים נוטים להימצא קרוב זה לזה בתמונות של רקמות, עד כמה אמינות השיטות השונות שהם משתמשים בהן, והאם אפשר לשפר זאת?

כיצד המדענים קוראים את מפת העיר התאית

טכנולוגיות הדמיה וגנומיקה מרחבית מודרניות יכולות לתעד את המיקום המדויק והזהות של אלפי תאים בפרוסת רקמה. דרך נפוצה לנתח נתונים אלה היא לחשב "העדפות שכנות": עבור סוג תא מסוים A, כמה פעמים יש לו שכנות מסוג B בניגוד למה שצפוי במקרה אקראי? קיימים כבר כלים רבים לתפקיד זה, אך הם מסתמכים על צעדים שמשתנים בעדינות. המחברים מפרקים את הדברים לשלוש בחירות מרכזיות: איך להגדיר שכונה סביב כל תא (למשל בעזרת קווים בין תאים סמוכים או שימוש במרחק קבוע), איך לספור שכנים (לטפל בזוג A–B באותו אופן כמו B–A, או להבחין בכיוון מ‑A אל B מול מ‑B אל A), ואיך להפוך את הספירות הללו לציון סופי (ספירות מנורמלות פשוטות, סטטיסטיקה מבוססת פרמוטציות, או מדדי למידת מכונה). המסגרת המשותפת הזו מאפשרת השוואה הוגנת, צד לצד, של השיטות.

בדיקת שיטות שכנות ברקמות וירטואליות

כדי לבדוק עד כמה גישות שונות מבצעות היטב, הקבוצה השתמשה תחילה ברקמות שנוצרו על ידי מחשב שבהן יחסי השכנות האמיתיים ידועים מראש. הם יצרו תרחישים פשוטים שבהם סוג תא מסוים אינו מראה העדפה מיוחדת, מעדיף במידה חלשה את בני מיניו, או מצטבר בחוזקה עם עצמו. הם גם סימנו מצבים כיווניים שבהם סוג תא אחד נוטה להתקרב לסוג אחר, אך לא להפך. באמצעות הרקמות הווירטואליות האלה, המחברים העבירו נתונים זהים למספר כלים נפוצים ואז שאלו: האם כל שיטה יכולה להבחין בצורה אמינה בין התרחישים הללו, והאם היא יכולה לשחזר נכון איזה סוג תא מחפש איזה שכן?

מדוע קשה ללכוד כיוון ועדינות

ההשוואה גילתה שכמעט כל השיטות יכולות לזהות הבדלים גדולים וברורים בארגון הרקמה. עם זאת, נחשפו שתי חולשות מרכזיות. ראשית, חלק מהכלים מדחסים את הפלט שלהם לציונים גסים בשלוש רמות (למשל "מתחת לאקראי", "אין הבדל" או "מעל לאקראי"), מה שמקשה להבדיל בין העדפת שכן חלשה לעומת חזקה. שנית, שיטות רבות ממוצעות את ספירות השכנים על פני כל התאים מסוג נתון, בלי להבחין האם תא מסוים בכלל פגש פעם את הסוג השני. "הממוצע הכולל" הזה מטשטש לעתים קרובות כיווניות, וגורם למערכת היחסים מ‑A ל‑B להיראות דומה לזו מ‑B ל‑A, גם כאשר רק כיוון אחד מצביע באמת על העדפה. כתוצאה, כלים קיימים עלולים להמעיט בערך או אפילו להפוך את הכיוון המופיע של חדירת תאים, במיוחד כאשר סוג אחד נדיר והשני שופע.

דרך חדשה לציון שכנים כיווניים

כדי לטפל בבעיות אלו, המחברים מציגים שיטת ציון חדשה בשם ציון‑z מותנה, או COZI. COZI נשמרת ברעיון של השוואת ספירות שכנים נצפות למספר רב של גרסאות אקראיות של הרקמה, אך משנה את אופן חישוב הממוצע: היא מתחשבת רק בתאים מסוג A שנוגעים בפועל לפחות בתא אחד מסוג B. המיקוד ה"מותנה" הזה מתברר כחשוב לשחזור כיווניות. COZI לאחר מכן ממירה את התוצאה לציון z רציף, המשקף עד כמה הדפוס הנצפה סוטה מהצפייה האקראית. כדי להקל על פירוש הציונים, המחברים מוסיפים מדד נלווה, יחס התאים המותנה (CCR), המדווח בפשטות איזה חלק מתאי A משתתפים בכלל בשכונת A–B. יחד, ציון ה‑z וה‑CCR חושפים לא רק כמה חזקה מערכת היחסים המרחבית, אלא גם האם היא מונעת על ידי כמה תאים מיוחדים או על ידי שינוי רחב בארגון הרקמה.

מה משמעות הדבר לסרטן ומחלות לב

הצוות החליף אז את COZI ושיטות נוספות על שני מאגרי נתונים מעשיים. במחקר על סרטן השד המשולש‑שלילי, עבודה קודמת קיבצה גידולים ל"קרים", "מעורבים" ו"מופרדים" בהתבסס על אופן התערבבות התאים החיסוניים ותאי הגידול. COZI לא רק שחזרה את הקיבוצים הללו, אלא גם גילתה דפוסים כיווניים: למשל, בכמה גידולים תאים חיסוניים נטו להצטבר בקרב עצמם בעוד תת‑קבוצה של תאי גידול התפרסה לתוך כיסים אלה, בעוד שבאחרים התאים החיסוניים הם אלה שחדרו לאזורי הגידול. במודל עכבר של התקף לב, COZI עקבה אחרי כניסתם ההדרגתית של נויטרופילים ומונוציטים לשריר הלב הפגוע, תחילה דרך הציפוי הפנימי של החדר ולאחר מכן לעומק באזור הפגוע. חשוב מכך, היא הפרידה בין שינויים גלובליים במספרי התאים לשינויים אמיתיים במי שכנה למי ובאיזה כיוון.

המסר העיקרי

מחקר זה מראה שלא כל הכלים לקריאת שכונות תאים נוצרו שווים, ושבחירות אלגוריתמיות זעירות יכולות לעצב באופן משמעותי מסקנות ביולוגיות. על ידי הבהרת אופן פעולת השיטות הקיימות והצגת COZI יחד עם יחס התאים המותנה, המחברים מספקים מפת דרכים לבחירה ולפרשנות של ניתוחי שכנות ברקמות מרחביות. עבור לא‑מומחים, הרעיון המרכזי הוא שהבנת מי גר לצד מי ב"עיר" הרקמתית — ומי חודר לשטח של מי — יכולה לחשוף סימנים מוקדמים למחלה, תגובות לטיפול ונתיבי טיפול ממוקד, בתנאי שהדפוסים נמדדים עם הכלים הנכונים.

ציטוט: Schiller, C., Ibarra-Arellano, M.A., Bestak, K. et al. Comparison and optimization of cellular neighbor preference methods for quantitative tissue analysis. Nat Commun 17, 3514 (2026). https://doi.org/10.1038/s41467-026-71699-z

מילות מפתח: אומיקס מרחבי, שכונות תאים, מיקרו-סביבה של גידול, חדירת תאים חיסוניים, פתולוגיה חישובית