DANST обеспечивает деконволюцию типов клеток в пространственной транскриптомике с помощью глубоких доменных состязательных нейронных сетей

Видеть клетки в их соседстве

Человеческие ткани — это густонаселённые «города» из множества различных типов клеток, каждая из которых выполняет свою функцию. Новые методы «пространственной транскриптомики» могут измерять, какие гены активны в срезе ткани, но каждое измерение часто содержит сигналы нескольких соседних клеток. В этой статье представлен DANST — умный вычислительный метод, который разделяет такие смеси. Указывая, какие типы клеток присутствуют и где именно в органах и опухолях, он помогает учёным лучше понимать, как устроены ткани, как распространяются болезни и куда целесообразнее направлять лечение.

Задача распутывания клеточной толпы

Современные инструменты чтения генов либо очень точно изучают отдельные клетки, либо фиксируют общую структуру ткани, но редко делают оба сразу. Популярные пространственные технологии регистрируют активность генов в относительно больших «спотах», которые могут покрывать несколько клеток. Результат похож на прослушивание хора, когда нельзя понять, кто поёт какую ноту. Чтобы разобраться в этом, исследователям нужны методы «деконволюции», оценивающие вклад каждого типа клеток в каждый спот. Многие существующие подходы используют данные одиночных клеток как эталон, но они испытывают трудности, потому что два типа данных получены разными экспериментами и не совпадают по качеству, шуму и разрешению.

Строительство моста между мирами данных

DANST решает проблему несоответствия, создавая мост между данными одиночных клеток и пространственными данными. Сначала он использует подробные профили одиночных клеток, чтобы сымитировать множество искусственных смешанных спотов с известными долями типов клеток. Одновременно реальные пространственные споты группируются как по их положению в ткани, так и по профилям экспрессии генов, и расстояния до этих групп используются для присвоения каждому смоделированному споту «псевдоположения». Этот шаг создаёт связную карту, где искусственные и реальные споты разделяют общую пространственную рамку, что позволяет методу научиться тому, как смешанные сигналы выглядят в конкретных микроокрестностях ткани.

Очистка сигналов и выравнивание доменов

Когда эта объединённая карта готова, DANST применяет тип глубокого обучения — вариационный автоэнкодер. Сеть сжимает профили генов из реальных и смоделированных спотов в уточнённое внутреннее представление и затем пытается их восстановить, фактически уменьшая шум и выделяя важные признаки. Поверх этого авторы добавляют состязательный компонент: вторая сеть пытается определить, пришёл ли уточнённый паттерн из реальных пространственных данных или из симуляции, тогда как извлекатель признаков учится её вводить в заблуждение. Эта «перетягивание каната» заставляет модель выделять признаки, полезные для обоих источников данных, так что знание, полученное из смоделированных спотов с известными долями типов клеток, может надёжно переноситься на реальные споты ткани с неизвестным составом.

Тестирование на сердцах, мозгах и опухолях

Команда протестировала DANST как на искусственных бенчмарках, так и на реальных биологических образцах мышей и людей. По сравнению с несколькими ведущими методами DANST точнее восстановил пропорции типов клеток в синтетических наборах данных и сохранял преимущество в очень разных тканях и платформах. В наборе данных мозга мыши он ясно реконструировал слоистую организацию коры и совпал с анатомическими регионами, определёнными экспертами. В другом срезе мозга мыши он уловил тонкие паттерны в областях, таких как гиппокамп. Особенно заметно, что в образце ткани человеческого рака молочной железы DANST проследил расположение различных иммунных клеток, клеток-поддержки и гормонозависимых люминальных клеток внутри и вокруг опухолевых участков. Эти карты соответствовали известной биологии и указывали на клинически значимые особенности, например гормонозависимость и потенциально худший прогноз там, где определённые иммунные клетки были редки.

Что это значит для биологии и медицины

Для неспециалиста DANST можно воспринимать как мощного интерпретатора, превращающего размытые, перекрывающиеся сигналы в чёткое представление о том, какие клетки где находятся в ткани. Надёжно разделяя типы клеток в пространстве, он даёт исследователям более чёткое представление о том, как устроены здоровые органы и как болезнь перестраивает эту организацию. В онкологии это может показать, как опухолевые и иммунные клетки взаимодействуют в конкретных областях, что поможет направлять таргетные терапии и прогнозировать исходы для пациентов. По мере появления всё большего числа пространственных и одиночноклеточных наборов данных такие инструменты, как DANST, становятся незаменимыми для расшифровки клеточных соседств, лежащих в основе здоровья и болезни.

Цитирование: 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

Ключевые слова: пространственная транскриптомика, деконволюция типов клеток, глубокое обучение, микроокружение опухоли, секвенирование РНК отдельных клеток