HarveST משתמש במערכת למידת גרפים הטרוגנית כדי לחשוף דפוסי טרנסקריפטומיקה מרחבית

לראות היכן גנים פועלים בתוך רקמות

גופנו בנוי משכונות של תאים שכל אחת ממלאת תפקידים שונים, מהמחשבה במוח ועד המאבק בגידולים בסרטן. טכנולוגיה מתפתחת בשם טרנסקריפטומיקה מרחבית מאפשרת למדענים למפות אילו גנים פעילים בנקודות שונות בתוך חתך רקמה. אך הפיכת המפות הגולמיות לאזורים ברורים ומשמעותיים ולרשימות גנים חשובות עדיין אתגרית. המחקר הזה מציג שיטת מחשב חדשה, HarveST, שעוזרת לחוקרים לראות את מבנה הרקמה ואת הגנים המרכזיים שלה בצורה ברורה יותר, גם באיברים וגידולים מורכבים.

מדוע מיפוי שכונות תאים קשה

ברקמות, תאים סמוכים לעתים קרובות פועלים יחד כקהילות פונקציונליות, כמו שכבות במוח או אזורים סביב גידול. טרנסקריפטומיקה מרחבית מודדת פעילות גנים באלפי נקודות קטנות ברחבי רקמה, יחד עם המיקום המדויק שלהן. כלים חישוביים קיימים מנסים לקבץ נקודות אלה לתחומים מרחביים — אזורים שמשתפים גם פעילות גנטית דומה וגם קרבה פיזית. רבות מהשיטות או מתעלמות מהמיקום המרחבי או מניחות שנקודות שכנות חייבות להשתייך לאותו אזור. זה עלול לטשטש גבולות חשובים, לפספס כיסי תאים נדירים וללא לקשר כל אזור לגנים שמגדירים אותו בפועל.

דרך חדשה לקשר בין מרחב וגנים

HarveST מתמודד עם הבעיות הללו על־ידי המרת כל מאגר נתונים לרשת עשירה שמקשרת בו-זמנית בין נקודות רקמה וגנים

מציאת הגנים הנכונים לכל אזור

מעבר לציור מפות של אזורי רקמה, HarveST שואפת למצוא את גני הסמן שהופכים כל אזור לייחודי. במקום לבדוק כל גן בנפרד, השיטה משגרה "הליכת רנדום" מהנקודות בתוך אזור מסוים ומאפשרת לאות זו להתפשט ברשת

מה HarveST חושפת במוחות ובגידולים

כדי לבדוק את HarveST, הצוות הפעיל אותה על דגימות מוח אנושי, סרטן שד, סרטן הלבלב ובלוטת הרחה של עכבר, שנמדדו על מספר פלטפורמות של טרנסקריפטומיקה מרחבית. בקורטקס הפרה-פרונטלי האנושי, HarveST השחזה בצורה מדויקת יותר את שש השכבות הקורטיקליות הקלאסיות ואת חומר הלבן מאשר ארבע עשרה שיטות מתחרות, וקיבלה ציונים גבוהים יותר במגוון מדדי אשכולות וגבולות. בנתוני רזולוציה גבוהה של בלוטת ההרחה של העכבר, היא בלטה בהפרדה של שכבות דקות וצפופות ששיטות אחרות טשטשו יחד. בסרטן השד והלבלב, HarveST הבחינה טוב יותר בקצוות הגידול, באזורים נורמליים ובאזורים פולשניים של הסרטן, וקישרה אותם לגנים שידועים כסמנים לממאירות, להשתתפות חיסונית ולשכתוב רקמתי, וגם הדגישה מועמדים נוספים סבירים.

מפות עקביות על פני חתכים רקמה

רקמות אמיתיות הן תלת-ממדיות, אך טרנסקריפטומיקה מרחבית מודדת בדרך-כלל חתכים דקים דו־ממדיים. HarveST יכולה לנתח במשותף מספר חתכים עוקבים על-ידי בניית רשת משותפת שמכבדת את הפריסה הפנימית של כל חתך ובו־זמנית מקשרת אזורים דומים בין חתכים. בחלקי מוח אנושיים זוגיים, ניתוח משותף זה שיפר את ההתאמה בין החתכים ויצר שכבות קורטיקליות רציפות שהמשיכו בצורה חלקה מחלק אחד למשנהו. ממצא זה מצביע על כך ש-HarveST עשויה לעזור לשחזר תמונות תלת־ממדיות נאמנות יותר של אדריכלות רקמה מניסויים סטנדרטיים.

מה משמעות הדבר למחקר ביו-רפואי עתידי

לסיכום, HarveST מציעה דרך מאוחדת לעבור ממפות גנים מרחביות גולמיות לאזורי רקמה ברורים ולגנים המרכזיים שלהם, תוך כיבוד גם של המבנה המרחבי וגם של הקשרים המולקולריים. עבור לא־מומחים, משמעות הדבר היא שמדענים זוכים למפות "מזג אוויר" חדות יותר של פעילות גנים בתוך איברים וגידולים, ולרשימות גנים מהימנות יותר שמסבירות מדוע אזור אחד שונה מאחר. ככל שטכנולוגיות מרחביות מתקדמות, גישות כמו HarveST עשויות להפוך לכלים מרכזיים להבנת כיצד רקמות בריאות מאורגנות, כיצד מחלות כמו סרטן משנות ארגון זה, והיכן אפשר למצוא סמני אבחון או מטרות טיפוליות חדשות.

ציטוט: Feng, J., Yu, T. & Zhang, Y. HarveST uses a heterogeneous graph learning framework to reveal spatial transcriptomics patterns. Commun Biol 9, 681 (2026). https://doi.org/10.1038/s42003-026-09841-2

מילות מפתח: טרנסקריפטומיקה מרחבית, אדריכלות רקמה, למידת גרפים, מיקרו-סביבת סרטן, גני סמן