Enhanced tissue compartmentalization by applying segmentation algorithms on reduced spatial omics data

Význam tématu

Analýza prostorových dat z MALDI Imaging a HiPLEX-IHC je klíčová pro detailní charakterizaci biologických tkání. Přesné vymezení morfologických a biochemických regionů v tkáni pomáhá porozumět patologickým procesům, zlepšit diagnostiku a navrhnout cílené terapeutické přístupy. Efektivní segmentace těchto dat umožňuje odfiltrovat šum a zdůraznit relevantní biologické struktury.

Cíle a přehled studie / článku

Cílem studie bylo porovnat klasické a moderní postupy dvoufázové analýzy prostorových omických dat. Autoři demonstrují, jak použití metody komponentní analýzy (CA), jako je PCA nebo UMAP, před vlastním segmentačním algoritmem (k-means nebo Leiden), ovlivňuje kvalitu klastrování a zachování prostorových detailů.

Použitá metodika a instrumentace

Byly využity dva typy datasetů:

• Myší ledvina analyzovaná standardním MALDI Imaging.
• Lidský karcinom plic zpracovaný metodou MALDI HiPLEX-IHC.

Data zpracována v SCiLS Lab 2026a (Bruker). Funkce:

• Import a normalizace signálů (TIC-normalizace).
• Funkce T-ReX® pro detekci 150 klíčových markerů.
• Komponentní analýza: PCA (30 komponent) a UMAP (Neighbors 100, Min.Dist 0.1).
• Segmentační algoritmy: k-means (k=10) a Leiden clustering.
• Volitelná prostorová denoising filtrace.

Instrumentace: MALDI-TOF mass spectrometry, HiPLEX-IHC platforma, SCiLS Lab 2026a software.

Hlavní výsledky a diskuse

1. Segmentace bez CA vs. s CA:

• K-means na původních intenzitách signalizuje vysokou úroveň šumu a méně srozumitelné klastry.
• Po aplikaci PCA/PCA + denoising dochází k lepšímu oddělení morfologických struktur (např. glomerulů v ledvině).
• UMAP + Leiden vykazuje nejvyšší schopnost odhalit jemné, nelineární vztahy v datech.

2. Vliv prostorové denoising filtrace:

• Slabé denoising filtry před segmentací komponentních skóre vedou k hladším výsledkům bez ztráty detailů.

3. Porovnání metod:

• Nejlepší zachování biologických struktur bylo pozorováno u kombinace CA (PCA nebo UMAP) s moderním segmentačním algoritmem Leiden.

Přínosy a praktické využití metody

– Zrychlení výpočtů díky snížení datové dimenze.
– Eliminace nízkointenzitního šumu a zvýšení robustnosti klasifikace.
– Přesnější lokalizace patologických změn v tkáních pro výzkum i klinickou praxi.
– Snadná integrace do stávajících analytických workflow v laboratořích využívajících SCiLS Lab.

Budoucí trendy a možnosti využití

– Rozšíření aplikace UMAP a dalších nelineárních redukčních metod pro různé typy omických dat.
– Vývoj automatizovaných workflows s adaptivními denoising filtry pro různé rozlišení a typy vzorků.
– Kombinace multimodálních dat (MSI, IHC, optické skeny) pro komplexní charakterizaci tkání.
– Integrace strojového učení pro prediktivní segmentaci a diagnostiku.

Závěr

Studie ukazuje, že předběžná komponentní analýza následovaná moderním segmentačním algoritmem významně zlepšuje kvalitu klastrování prostorových omických dat. Metoda poskytuje lepší prostorové rozlišení a odolnost vůči šumu, což otvírá nové možnosti pro výzkum tkáňové heterogenity i klinickou diagnostiku.

Reference

Heijs B., Marsico R., Deininger S.-O., Behrens A., Oetjen J., Esghi A., Boskamp T. Enhanced tissue compartmentalization by applying segmentation algorithms on reduced spatial omics data. Bruker, 2025.
SCiLS Lab 2026a User Manual. Bruker Daltonics, 2025.