DANST מאפשר פירוק סוגי תאים בטרנסקריפטומיקה מרחבית באמצעות רשתות עצביות אדברסיאליות עמוקות

לראות תאים בשכונותיהם

רקמות אנושיות הן ערים צפופות של סוגי תאים רבים, שכל אחד ממלא תפקיד משלו. טכנולוגיות חדשות של “טרנסקריפטומיקה מרחבית” יכולות למדוד אילו גנים פעילים בחלקי רקמה, אך כל מדידה לעיתים קרובות מערבת אותות ממספר תאים שכנים. מאמר זה מציג את DANST, שיטה חישובית חכמה הפורקת את התערובות הללו. על ידי ציון אילו סוגי תאים קיימים והיכן, באיברים ובגידולים, היא מסייעת למדענים להבין טוב יותר כיצד בנויים הרקמות, כיצד מחלות מתפשטות והיכן ייתכן שמוטב לכוון טיפולים.

האתגר של לפרק את ההמולה התאית

כלי הקריאה הגנטית המודרניים יכולים או להתמקד בדיוק רב בתאים בודדים או ללכוד את הפריסה המלאה של רקמה, אך לעיתים נדירות שניהם יחד. טכנולוגיות מרחביות פופולריות רושמות פעילות גנים ב"נקודות" יחסית גדולות שיכולות לכסות כמה תאים. התוצאה דומה לשמיעת מקהלה מבלי לדעת מי שר איזה תו. כדי להבין זאת, החוקרים זקוקים לשיטות "דקוונולוציה" שמעריכות עד כמה כל סוג תא תורם לכל נקודה. גישות רבות קיימות משתמשות בנתוני תא יחיד כהתייחסות, אך מתקשות מכיוון ששני סוגי הנתונים נאספים בניסויים שונים ואינם תואמים במדויק באיכות, ברעש או ברזולוציה.

בניית גשר בין עולמות הנתונים

DANST מתמודדת עם הבעיה הזו על ידי יצירת גשר בין נתוני תא יחיד לנתונים מרחביים. ראשית, היא משתמשת בפרופילים המעודנים של תאי היחיד כדי לדמות נקודות מעורבות מלאכותיות רבות עם פרופורציות סוגי תאים ידועות. במקביל, היא מקבצת את הנקודות המרחביות האמיתיות לפי מיקומן ברקמה ודפוסי הגנים שלהן, ומשתמשת במרחקים אל הקבוצות הללו כדי להקצות לכל נקודה מדומה "מיקום פסאודו". שלב זה יוצר מפה מקושרת שבה נקודות מלאכותיות ואמיתיות חולקות מסגרת מרחבית משותפת, מה שמאפשר לשיטה ללמוד כיצד אותות מעורבים אמורים להיראות בשכונות ספציפיות של הרקמה.

ניקוי אותות והתאמת דומיינים

כאשר מפה משותפת זו קיימת, DANST מיישמת סוג של למידה עמוקה הנקרא אוטו-אנקודר ואריאציונלי. רשת זו מדחסת דפוסי גנים גם מהנקודות האמיתיות וגם מההדמיות לייצוג פנימי מעודן ואז מנסה לשחזרם, ובכך מסננת רעשים ומדגישה תכונות חשובות. מעל לכך, המחברים מוסיפים רכיב אדברסיאלי: רשת שניה מנסה להבחין האם דפוס מעודן הגיע מנתונים מרחביים אמיתיים או מנתונים מדומים, בעוד שמחלק התכונות לומד להטעות אותה. "משיכת החבל" הזו דוחפת את המודל לעבר תכונות שעובדות טוב לשני מקורות הנתונים, כך שידע הנלמד מנקודות מדומות עם חלקי סוגי תאים ידועים יוכל להיות מועבר באופן אמין לנקודות רקמה אמיתיות שההרכב שלהן לא ידוע.

מבחן בלבבות, מוחים וגידולים

הצוות בחן את DANST הן בבנקי מבחן מלאכותיים והן בממצאים ביולוגיים אמיתיים ממכרסמים ובני אדם. בהשוואה למספר שיטות מובילות, DANST שחזרה בצורה מדויקת יותר את שיעורי סוגי התאים במערכי נתונים סינתטיים ושמרה על יתרונה על פני רקמות ופלטפורמות שונות מאוד. בנתון מוח עכבר היא שחזרה בבירור את הארגון השכבתי של הקורטקס והתאימה לאזורים אנטומיים שהוגדרו על ידי מומחים. בפרוסת מוח עכבר נפרדת היא לקחה דפוסים עדינים באזורים כגון ההיפוקמפוס. החשוב מכל, ברקמת סרטן שד אנושית, DANST עקבה אחרי פריסת תאים חיסוניים שונים, תאים תומכים ותאים לומינליים הרגישים להורמונים בתוך ובסביב אזורי הגידול. המפות האלה התאימו לביולוגיה הידועה והציעו תכונות בעלות רלוונטיות קלינית, כגון תלות בהורמונים ואפשרות לפרוגנוזה גרועה יותר במקומות שבהם תאים חיסוניים מסוימים היו דלים.

מה משמעות הדבר לביולוגיה ולרפואה

לא מומחה, ניתן לראות ב-DANST כמתורגמן עוצמתי שהופך אותות מטושטשים ומחופפים לתמונה ברורה של אילו תאים חיים היכן ברקמה. על ידי הפרדה מהימנה של סוגי תאים במרחב, היא נותנת לחוקרים תמונה חדה יותר של איך איברים בריאים מאורגנים וכיצד מחלה מעצבת מחדש את הארגון הזה. בסרטן, זה יכול לחשוף כיצד תאי הגידול ותאי המערכת החיסונית מתקשרים באזורים ספציפיים, מה שעשוי לכוון טיפולים ממוקדים ולעזור בחיזוי תוצאי מטופלים. ככל שיותר מערכי נתונים מרחביים ותאי-יחיד יהיו זמינים, כלים כמו DANST נמצאים במסלול להפוך לחיוניים לפיצוח השכונות התאית שמאחורי בריאות ומחלה.

ציטוט: Zhang, X., Wu, Z., Wang, T. et al. DANST enables cell-type deconvolution in spatial transcriptomics using deep domain adversarial neural networks. Commun Biol 9, 388 (2026). https://doi.org/10.1038/s42003-026-09659-y

מילות מפתח: טרנסקריפטומיקה מרחבית, פירוק סוגי תאים, למידה עמוקה, מיקרו-סביבה של הגידול, ריצוף RNA של תא יחיד