Analyse spatiale des ensembles cellulaires (SPACE) : Révéler les modèles spatiaux dans les tissus biologiques complexes

Contexte académique

La fonction des tissus biologiques repose sur les interactions des cellules, des molécules et des structures dans un espace tridimensionnel. Comprendre ces modèles d’organisation spatiale peut fournir de nouvelles perspectives sur les processus physiologiques et pathologiques. Cependant, les techniques d’analyse spatiale existantes ne détectent généralement que des modèles simples et ne parviennent pas à capturer des relations spatiales complexes. Pour relever ce défi, les chercheurs ont développé un outil d’analyse open source appelé “Analyse spatiale des ensembles cellulaires” (SPACE, Spatial Patterning Analysis of Cellular Ensembles), conçu pour détecter et décrire de manière exhaustive les modèles spatiaux complexes dans les tissus biologiques à l’aide de calculs basés sur la théorie de l’information.

Le développement de SPACE découle des limites des outils d’analyse existants. De nombreux outils d’analyse spatiale ne peuvent détecter que des éléments biologiques simples ou par paires, mais pas des modèles complexes impliquant trois éléments ou plus. De plus, les méthodes d’analyse des microenvironnements discrets (MEs, Microenvironments) ne parviennent pas à capturer des caractéristiques continues, telles que les gradients ou les orientations. SPACE comble cette lacune en permettant la détection de modèles spatiaux de toute complexité et en fournissant des descriptions détaillées de ces modèles.

Source de l’article

Cet article a été rédigé par Edward C. Schrom et ses collaborateurs, les principaux auteurs étant issus de l’Institut national des allergies et des maladies infectieuses (National Institute of Allergy and Infectious Diseases, NIAID) ainsi que d’autres institutions connexes. L’article a été publié le 4 février 2025 dans les Proceedings of the National Academy of Sciences (PNAS). Les recherches ont été soutenues par des institutions telles que les National Institutes of Health (NIH) des États-Unis.

Méthodologie et processus de recherche

1. Entrée et prétraitement des données

SPACE prend en charge plusieurs formats de données d’entrée, y compris les images d’expression moléculaire, les images de cellules segmentées, les données structurelles au niveau des pixels et les tableaux de coordonnées des centroïdes cellulaires. Ces données peuvent être bidimensionnelles (2D) ou tridimensionnelles (3D). SPACE collecte des informations sur les éléments biologiques dans chaque voisinage en dessinant des zones voisines circulaires ou sphériques (neighborhood) sur différentes couches de données et génère des tables statistiques (census). Pour contrôler l’influence de la géométrie des tissus et de l’abondance de leurs composants, SPACE génère également des tables statistiques randomisées comme référence.

2. Détection et quantification des modèles spatiaux

SPACE utilise l’information mutuelle (Mutual Information) issue de la théorie de l’information pour quantifier l’écart des modèles spatiaux par rapport à une distribution aléatoire. Pour un seul échantillon, SPACE calcule l’“information mutuelle cis” (cismi, cis Mutual Information) pour mesurer la différence entre le modèle spatial interne de l’échantillon et une distribution aléatoire. Pour plusieurs échantillons, SPACE calcule l’“information mutuelle trans” (transmi, trans Mutual Information) afin de comparer les différences de modèles spatiaux entre différents groupes d’échantillons. En parcourant toutes les combinaisons possibles d’éléments biologiques, SPACE est capable d’identifier et de classer les modèles spatiaux les plus significatifs.

3. Caractérisation des modèles

SPACE utilise la technique de cartographie auto-organisatrice (Self-Organizing Map) pour identifier les courbes de densité maximale des compositions de voisinages dans un espace multidimensionnel et les projette dans un espace de dimension inférieure pour générer des graphiques de covariation (covariation plot). Ces graphiques illustrent les caractéristiques de variation continue des éléments biologiques, telles que les gradients, les orientations et les relations dépendantes du contexte. En outre, les chercheurs peuvent diviser manuellement les microenvironnements et analyser davantage les modèles spatiaux uniques de ces régions.

4. Validation des données et analyse des résultats

SPACE a été validé sur plusieurs ensembles de données, y compris des données de ganglions lymphatiques de souris, de tumeurs de souris, de transcriptomes spatiaux de cancer intestinal humain et de granulomes tuberculeux humains. En analysant ces données, SPACE a non seulement identifié avec succès des modèles spatiaux connus, mais a également découvert de nouveaux modèles complexes. Par exemple, dans les ganglions lymphatiques de souris, SPACE a révélé un gradient opposé des cellules T CD4 et CD8 dans la zone paracorticale ; dans le cancer intestinal humain, SPACE a découvert un modèle complexe de co-occurrence des transcriptomes IG4 et SFRP2 ; dans les granulomes tuberculeux, SPACE a identifié des modèles d’association entre les macrophages CD68 et les molécules immunorégulatrices.

Principaux résultats de la recherche

1. Analyse des ganglions lymphatiques de souris : SPACE a identifié avec succès la distribution des cellules B dans les zones sombres (DZ, Dark Zone) et claires (LZ, Light Zone) du centre germinatif (GC, Germinal Center) et a révélé un gradient opposé des cellules T CD4 et CD8 dans la zone paracorticale. Ces modèles illustrent l’organisation spatiale complexe des cellules immunitaires dans les ganglions lymphatiques.
   
2. Analyse 3D de tumeurs de souris : SPACE a analysé la distribution spatiale des cellules T CD4, des cellules T CD8 et des vaisseaux sanguins, révélant que les cellules T CD4 ont tendance à se rapprocher des vaisseaux sanguins, une découverte en accord avec la littérature sur la croissance tumorale et la régulation immunitaire.
   
3. Analyse du transcriptome spatial du cancer intestinal humain : SPACE a identifié des modèles de co-occurrence de plusieurs transcriptomes, notamment MGAM2, GPX2 et PPP1R1B. En outre, SPACE a découvert des relations complexes entre les transcriptomes IG4 et SFRP2, liées à la réponse immunitaire au cancer.
   
4. Analyse des granulomes tuberculeux humains : SPACE a analysé des granulomes tuberculeux à différents stades cliniques, révélant que les modèles d’agrégation des macrophages CD68 étaient liés à la gravité de la maladie et mettant en évidence des variations locales de l’expression des molécules immunorégulatrices.

Conclusion de la recherche

SPACE est un outil d’analyse spatiale polyvalent capable de détecter des modèles spatiaux de toute complexité dans les tissus biologiques. Il est non seulement compatible avec de nombreux formats de données et méthodes expérimentales, mais permet également de comparer directement les différences de modèles spatiaux entre différents groupes d’échantillons. Grâce à SPACE, les chercheurs peuvent extraire des modèles clés de l’organisation biologique à partir de données spatiales de haute dimension, offrant ainsi de nouvelles perspectives pour l’immunologie, la recherche sur le cancer et les maladies infectieuses.

Points forts de la recherche

1. Exhaustivité : SPACE est capable de détecter et de décrire des modèles spatiaux complexes impliquant un nombre quelconque d’éléments biologiques, comblant ainsi les lacunes des outils d’analyse existants.
   
2. Polyvalence : SPACE prend en charge de nombreux formats de données et méthodes expérimentales, s’adaptant aux données 2D et 3D, et peut intégrer plusieurs sources de données.
   
3. Innovation : SPACE utilise la théorie de l’information et la cartographie auto-organisatrice pour la première détection systématique et la description détaillée de modèles spatiaux complexes.
   
4. Valeur applicative : SPACE fournit un outil d’analyse puissant pour l’immunologie, la recherche sur le cancer et les maladies infectieuses, aidant à révéler de nouveaux mécanismes dans les tissus biologiques et des cibles thérapeutiques potentielles.

Autres informations utiles

Toutes les données et les codes d’analyse de cette étude sont publics et disponibles pour d’autres chercheurs. En outre, l’équipe de recherche a fourni des tutoriels détaillés et des exemples de données pour aider les utilisateurs à maîtriser rapidement l’utilisation de SPACE.

Grâce à SPACE, les chercheurs peuvent extraire des modèles clés de l’organisation biologique à partir de données tissulaires complexes, offrant ainsi de nouveaux outils et méthodes pour comprendre la fonction et les processus pathologiques des tissus biologiques.