Kategorisering av 34 datorbaserade metoder för att hitta rumsligt varierande gener i spatialt upplöst transkriptomdata

Varför platsen spelar roll för våra gener

Våra kroppar är uppbyggda av celler som inte bara skiljer sig i vad de gör utan också i var de sitter i vävnader och organ. Nya tekniker för "spatial transcriptomics" kan nu läsa av vilka gener som är aktiva samtidigt som varje cells adress på en vävnadskarta bevaras. Den här översiktsartikeln förklarar hur forskare identifierar gener vars aktivitet varierar beroende på plats — så kallade rumsligt varierande gener — och varför enighet om hur man hittar dem är avgörande för att förstå cancer, hjärnfunktion och många andra sjukdomar.

Från utspridda celler till levande kartor

Traditionella enkellsstudier mäter genaktivitet i tusentals enskilda celler men förlorar information om var cellerna kom ifrån. Spatial transcriptomics fyller denna lucka genom att mäta genaktivitet direkt på tunna vävnadssnitt. Varje mätning kopplas till en "spot" på snittet, som kan innehålla en cell eller flera beroende på tekniken. Bilderbaserade metoder lokaliserar några hundra utvalda gener med mycket hög rumslig upplösning, medan sekvenseringsbaserade plattformar fångar nästan alla gener med lägre upplösning. Tillsammans förvandlar dessa tillvägagångssätt ett vävnadssnitt till en färgrik karta över genaktivitet som kan avslöja dolda strukturer, såsom lager i hjärnan eller regioner inom en tumör.

Tre typer av platskänsliga gener

Många beräkningsmetoder har föreslagits för att plocka ut gener som visar meningsfulla mönster över dessa vävnadskartor, men de letar inte alla efter samma sak. Författarna delar in 34 nuvarande metoder i tre tydliga kategorier. Den första gruppen söker efter "övergripande" rumsligt varierande gener vars aktivitet ändras över vävnaden på något icke-slumpmässigt sätt — kanske bildar ränder, kluster eller gradienter. Den andra gruppen fokuserar på "celltyp-specifika" rumsliga gener som varierar inom en enskild celltyp, och hjälper till att skilja till exempel undertyper av neuroner eller olika tillstånd hos immunceller. Den tredje gruppen söker efter "domänmarkör"-gener som är starkt aktiva i särskilda regioner eller lager, vilket gör dem användbara som markörer för dessa vävnadszoner.

Olika verktyg för olika mönster

Översikten förklarar hur dessa metoder fungerar under ytan. Vissa behandlar vävnadssnittet som punkter i ett regelbundet tvådimensionellt rum och använder matematiska "kärnor" för att söka efter mönster som fläckar eller vågor. Andra kopplar först närliggande positioner till ett nätverk, eller graf, och frågar sedan om högt uttryck tenderar att klustra längs grafens länkar. Vissa verktyg bygger på formella statistiska tester med väl definierade felnivåer, medan andra huvudsakligen rankar gener efter hur starkt deras mönster framträder. Metoder som riktar in sig på mycket specifika mönster kan vara kraftfulla när data stämmer överens med deras förväntningar, men de kan missa mer oregelbundna eller komplexa former, såsom de som ses i många cancerformer. Det finns också en avvägning mellan flexibilitet och hastighet: vissa tillvägagångssätt skalar till hundratusentals spots, medan andra har svårt med mycket stora dataset.

Vad dessa gener kan visa

När rumsligt varierande gener väl har identifierats blir de råmaterialet för djupare biologiska upptäckter. Övergripande rumsliga gener används ofta som ett första filter för att minska antalet gener innan man grupperar spots i "rumsliga domäner" — regioner vars celler delar liknande uttrycksprofiler. Dessa domäner kan stämma överens med kända vävnadsstrukturer, föreslå nya delregioner eller framhäva distinkta cellgrannskap såsom invasiva fronter i tumörer. Domänmarkörgener hjälper sedan till att förklara vad som gör varje region unik och kan återanvändas för att märka liknande strukturer i andra prover. Samtidigt lovar celltyp-specifika rumsliga gener en finare bild av hur särskilda celltyper förändras över en vävnad, vilket kan belysa tumör–immuncellsinteraktioner eller specialiserade kretsar i hjärnan.

Utmaningar och vägen framåt

Författarna betonar att ingen enskild metod är bäst för alla uppgifter, och att rättvis jämförelse av verktyg kräver noggrant övervägande av vilken typ av rumslig gen varje metod faktiskt är avsedd att hitta. De efterlyser bättre riktmärken med realistiska dataset, tydligare statistiska standarder för att undvika falska upptäckter och nya angreppssätt som respekterar skillnader mellan tekniker och vävnadstyper. För icke-experter är huvudbudskapet att rumsligt varierande gener förvandlar platta genlistor till levande kartor och kopplar molekylär aktivitet till vävnadsstruktur. Robustare sätt att upptäcka och tolka dessa gener kommer att vara centrala för att göra spatial transcriptomics till praktiska insikter om utveckling, hjärnfunktion och sjukdom.

Citering: Yan, G., Hua, S.H. & Li, J.J. Categorization of 34 computational methods to detect spatially variable genes from spatially resolved transcriptomics data. Nat Commun 16, 1141 (2025). https://doi.org/10.1038/s41467-025-56080-w

Nyckelord: spatial transcriptomics, rumsligt varierande gener, genuttrycksmönster, vävnadsmikromiljöer, beräkningsgenomik