Картирование пространственной активности лиганд-таргет с помощью Renoir

Как клетки общаются в своих окрестностях

Наши тела состоят из бесчисленных клеток, которые постоянно «разговаривают» друг с другом, чтобы поддерживать здоровье тканей, формировать органы и в некоторых случаях способствовать развитию болезней, таких как рак. В этой статье представлен Renoir — вычислительный метод, который анализирует крупномасштабные карты активности генов, чтобы выяснить, где и как происходит эта клеточная переписка в реальных тканях. Объединяя современные подходы одиночноклеточной и пространственной геномики, Renoir позволяет исследователям видеть не только кто с кем общается, но и где в ткани эти разговоры наиболее интенсивны и каких эффектов они приводят.

Сигналы, посредники и клеточные беседы

Клетки общаются с помощью небольших белковых посредников — лигандов, которые выделяются одной клеткой и распознаются соседями через рецепторы на их поверхности. Когда лиганд связывается с рецептором, он может запустить каскад «таргетных» генов в принимающей клетке, изменяя ее поведение. Многие существующие инструменты пытаются выводить такие взаимодействия по данным экспрессии генов, но часто игнорируют физическое расположение клеток. Поскольку многие сигналы действуют лишь на коротких расстояниях, потеря пространственного контекста может ввести в заблуждение — показывая кажущееся общение между типами клеток, которые на деле находятся далеко друг от друга в ткани.

Чем Renoir отличается

Renoir специально разработан, чтобы вернуть в анализ пространственную составляющую. Он принимает либо данные пространственной транскриптомики с разрешением по отдельным клеткам, либо комбинацию данных с более низким разрешением и классических одиночноклеточных данных из той же ткани. Используя курируемые списки лигандов и их потенциальных таргетных генов, Renoir вычисляет «оценку активности соседства» для каждой пары лиганд–таргет в каждой точке ткани. Эта оценка объединяет несколько источников информации: какие типы клеток присутствуют поблизости, насколько сильно они экспрессируют лиганд и таргетный ген, действительно ли клетки-получатели экспрессируют соответствующий рецептор и насколько тесно лиганд и таргет варьируют совместно между типами клеток. В результате получается пространственная карта, выделяющая места, где конкретные сигнальные отношения, вероятно, активны.

Поиск скрытых соседств в здоровых и пораженных тканях

После вычисления оценок соседства Renoir может объединять места в «домены коммуникации» — участки ткани, которые разделяют схожие паттерны сигнализации. При применении к данным мозга мыши эти домены соответствовали известным областям мозга и выявили регион-специфическое общение между астроцитами и разными типами нейронов. В тройном-негативном раке молочной железы Renoir обнаружил отдельные никы опухоли, где раковые клетки, иммунные клетки и клетки соединительной ткани обмениваются сигналами, связанными с ростом, инвазией и подавлением иммунитета. В развивающейся печени плода человека метод определил нишу, где печеночные клетки (гепатоциты) и специализированные макрофаги взаимодействуют через молекулу плазминоген, что указывает на роль в росте и ремоделировании печени.

Тестирование Renoir по сравнению с другими методами

Авторы тщательно протестировали Renoir, создав полусинтетические наборы данных, в которых истинные паттерны сигнализации были заранее известны. Они сравнили Renoir с несколькими ведущими инструментами, выводящими клеточно-клеточную коммуникацию из пространственных данных. В таких тканях, как кишечник, мозг и рак молочной железы, Renoir точнее отличал места с реальной активностью лиганд–таргет от тех, где ее нет, и реже выявлял ложные взаимодействия в областях, лишенных соответствующих рецепторов. Даже при ухудшении качества данных — уменьшении глубины секвенирования или перемешивании некоторых меток клеток — производительность Renoir оставалась стабильной. В хорошо изученном участке человеческого мозга домены коммуникации, выведенные методом, лучше соответствовали экспертно определенным слоям ткани, чем у конкурентов.

От карт коммуникации к терапевтическим подсказкам

Renoir — это не только инструмент картирования; он также умеет ранжировать, какие лиганды наиболее влиятельны в каждом домене, и суммировать активность целых сигнальных путей. В раке печени это выделило «онко-фетальные» сигнальные цепочки, где опухоле-ассоциированные клетки повторно используют программы развития, наблюдаемые в плодной печени. Renoir предсказал, что такие лиганды, как интерлейкин-6, из этой ниши могут перепрограммировать соседние стволоподобные печеночные клетки; лабораторные эксперименты подтвердили, что интерлейкин-6 направляет раковые клетки печени в более стволоподобное состояние. В целом исследование демонстрирует, как сочетание пространственной геномики и умных вычислительных подходов может превратить статичные карты экспрессии генов в динамичные портреты клеточного диалога, предлагая новые точки входа для терапий, направленных на разрушение вредных разговоров при сохранении здоровых.

Цитирование: Rao, N., Kumar, T., Kazemi, D. et al. Charting spatial ligand-target activity using Renoir. Nat Commun 17, 3983 (2026). https://doi.org/10.1038/s41467-026-72388-7

Ключевые слова: пространственная транскриптомика, клеточная коммуникация, сигнализация лигандов, микроокружение опухоли, вычислительная биология

Подробнее на сайте исследовательской группы: https://sites.google.com/view/cosmiclab-iitk/home