Масштабируемое обнаружение пространственных мультиклеточных паттернов через преобразование окрестности в последовательность

Нахождение скрытого порядка в густонаселённых тканях

Современные микроскопы теперь могут фиксировать точное положение и молекулярный состав миллионов клеток в срезе ткани. Но вручную заметить важные повторяющиеся расположения клеток практически невозможно. В этом исследовании представлен новый способ сканирования этих огромных карт и автоматического выявления небольших повторяющихся «окрестностей» клеток, которые отличают здоровую ткань от поражённой болезнью, восстановления от старения или одну зону органа от другой.

От клеточных окрестностей к простым последовательностям

Авторы предлагают вычислительный фреймворк FDPMining, который превращает задачу чтения сложных тканей в более управляемую задачу добычи данных. Вместо просмотра клеток по одной, метод строит небольшую сетку вокруг каждой клетки и фиксирует, какие типы клеток находятся в каждой соседней ячейке. Хитрая стратегия «Окрестность в последовательность» затем преобразует каждую сетку в уникальный список чисел, который полностью сохраняет информацию о том, какие типы клеток соседствуют и где. Поскольку это преобразование без потерь и обратимо, компьютер может искать в этих списках повторяющиеся сочетания, а затем сопоставлять любые интересные паттерны обратно с их исходным положением в ткани.

Поиск частых и отличительных паттернов

Когда каждая окрестность закодирована, FDPMining ищет мультиклеточные размещения, которые одновременно распространены и тесно связаны с конкретным состоянием, например заболеванием или определённой анатомической областью. Фреймворк заимствует инструменты из анализа корзин покупателя, где алгоритмы узнают, какие товары часто приобретаются вместе. Здесь «элементы» — это типы клеток в определённых позициях сетки, а «транзакции» — все окрестности в ткани. Метод выявляет паттерны, которые повторяются, но в основном встречаются в одном состоянии и редко — в других. Эти «частые и отличительные паттерны» затем можно снова отобразить на срез ткани, что облегчает исследователям увидение, где они встречаются и к каким более крупным структурам могут принадлежать.

Тестирование подхода на разных тканях

Команда показала, что FDPMining работает с широким спектром технологий пространственной омники и различных тканей — от человеческого мозга до эмбриона мыши. На моделируемых данных метод обнаружил тонкие перестройки слоёв клеток, которые пропустили другие инструменты, доказав, что он способен распознавать небольшие сдвиги в локальной архитектуре ткани. В мозге аксолотля он выявил меняющиеся «партнёрства» между активированными при ранении нейронами и разными подтипами нейронов по мере регенерации, а в мозге мыши показал, как специфические подтипы олигодендроцитов реорганизуются с возрастом. В образцах колоректального рака FDPMining отделил пациентов с лучшими исходами, чьи опухоли содержали повторяющиеся окрестности, богатые B-клетками и хелперными T-клетками, от пациентов, у которых опухоли доминировали окрестностями миелоидных клеток, связанных с более супрессивной иммунной средой.

Увеличение внимания на ориентиры, такие как сосуды и бляшки

Авторы также использовали FDPMining для фокусировки на ключевых ориентирах внутри тканей. В печени мыши они пометили окрестности по их близости к центральным или портальным венам и обнаружили, что разные подтипы гепатоцитов и поддерживающих клеток формируют характерные паттерны вокруг каждого типа сосуда, что резонирует с хорошо известной концепцией зонирования печени. В мышиной модели болезни Альцгеймера они маркировали окрестности в зависимости от того, лежат ли они рядом с амилоидными бляшками, и обнаружили повторяющиеся сочетания микроглии, возбуждающих нейронов и других глиальных клеток вокруг бляшек. Эти ориетированные на бляшки паттерны соответствовали известным «ядру и оболочке» и в значительной степени отсутствовали в здоровой ткани, подчёркивая их тесную связь с микросредой болезни.

Почему эти скрытые паттерны важны

Систематически сканируя ткани в поисках повторяющихся клеточных окрестностей, связанных с конкретными состояниями или ориентирами, FDPMining предлагает мощную призму для понимания того, как клетки взаимодействуют при здоровье и болезни. Вместо того чтобы ограничиваться описанием широких зон ткани, он выявляет небольшие мультиклеточные строительные блоки, из которых состоят эти зоны и которые меняются в ответ на травму, старение, рак или нейродегенерацию. Для неспециалистов основной вывод в том, что существует обнаружимая «грамматика» расположения клеток, и этот метод помогает считывать её в масштабе, открывая путь к новым пространственным биомаркерам и более глубокому биологическому пониманию.

Цитирование: Zhao, F., Wang, S., Wang, Z. et al. Scalable discovery of spatial multicellular patterns via neighborhood-to-sequence transformation. Commun Biol 9, 725 (2026). https://doi.org/10.1038/s42003-026-09923-1

Ключевые слова: пространственная омника, клеточные окрестности, тканевая микросреда, поиск паттернов, болезнь Альцгеймера