Sbloccare il TME con dati spaziali a singola cellula / Unlocking the TME with single-cell spatial data

 Sbloccare il TME con dati spaziali a singola cellula. Il procedimento del brevetto ENEA RM2012A000637 è molto utile in questo tipo di applicazione. / Unlocking the TME with single-cell spatial data. The procedure of the ENEA patent RM2012A000637 is very useful in this type of application.

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

Un nuovo metodo in un nuovo approccio investigativo, Tianyou Luo ( Tempus AI , IL, USA), sfrutta una rete neurale per elaborare i dati di trascrittomica spaziale provenienti dalla piattaforma Visium HD di 10x Genomics, mappandoli alla risoluzione di singola cellula. Questo nuovo metodo risolve un limite chiave della risoluzione predefinita di 8 µm della piattaforma Visium HD, che può unire più cellule o suddividere singole cellule in diversi contenitori di dati. Raggiungendo la risoluzione di singola cellula, questo metodo potrebbe consentire ai ricercatori di applicare tecniche standard di analisi RNA-seq a singola cellula e di ottenere una comprensione più approfondita ed accurata del TME.

Utilizzando il suo metodo, Lou ha ottenuto un'efficace classificazione a livello cellulare dei conteggi genici in campioni di carcinoma polmonare non a piccole cellule. I cluster cellulari risultanti, annotati con l'ausilio di un ampio modello linguistico, hanno mostrato un'elevata concordanza con le annotazioni di un patologo, identificando correttamente i tipi cellulari chiave. Spera che questa tecnica migliori la scoperta di biomarcatori e fornisca nuove informazioni per la ricerca in immuno-oncologia e sui coniugati anticorpo-farmaco. Sottolinea che il suo metodo richiede immagini H&E di alta qualità per una segmentazione efficace ed avverte che la scarsità intrinseca dei dati dovrebbe essere considerata.

ENGLISH

A new method in a new investigative approach, Tianyou Luo (Tempus AI, IL, USA), leverages a neural network to process spatial transcriptomics data from the 10x Genomics Visium HD platform, mapping it to single–cell resolution. This novel method addresses a key limitation of the Visium HD platform’s default 8 µm resolution, which can merge multiple cells or split single cells into different data bins. By achieving single–cell resolution, this method could allow researchers to apply standard single–cell RNA–seq analysis techniques and gain a deeper, more accurate understanding of the TME.

Utilizing his method, Lou has achieved successful cell-level binning of gene counts in non-small cell lung cancer samples. The resulting cell clusters, annotated with the help of a large language model, have shown high agreement with a pathologist’s annotations, correctly identifying key cell types. He hopes this technique will improve biomarker discovery and provide new insights for immuno–oncology and antibody–drug conjugate research. He highlights that his method requires high–quality H&E images for successful segmentation and cautions the data’s inherent sparsity should be considered.

Da:

https://www.biotechniques.com/cancer-research/a-research-revolution-multiomic-and-spatial-techniques-in-cancer-biology/?utm_campaign=BioTechniques%20-%20Daily%20NL&utm_medium=email&_hsenc=p2ANqtz-_D5r6okA7ekdbp3N4_wH5lARdB7_17WXdvgiz1hs6rmbqOxhoD-QDGvRsShcoOG_yVwezgClYwpmNiO3j4VVNlmdhqZOlUt4-nlh5MaqlKrD-G37w&_hsmi=378026687&utm_content=377993162&utm_source=hs_email#1