【CELL 心脏时空图】A spatiotemporal organ-wide gene expression and cell atlas of the developing human heart

A spatiotemporal organ-wide gene expression and cell atlas of the developing human heart


前言

今天讲的是2020年发表在cell的人类心脏发育的时空器官全基因表达和细胞图谱,文章通讯作者是瑞典KTH皇家技术学院的教授。欧洲主要的测序平台NGI并行测序系统就是他领导建立的。它是special transcriptome的发明人,是后续10X公司空间转录组技术的前身。

1.文章框架

  先来看一下文章的思路。这篇文章拿人的胚胎心脏做了三组实验:空间转录组,10X单细胞测序,原位测序。最后整合了这三组数据得到了心脏的时空图。

文章框架

2.取样

  文章取了人类3个胚胎心脏样本做成切片做空间转录组,4.5-5周龄的切成4片,6.5周龄的切成9片,9周龄的切成6片。
取样

3.免疫组化

  首先做了免疫组化,看一下人胚胎心脏在三个时期的发育情况。文章做了三种染色。DAPI是蓝色, 可与DNA中富含腺嘌呤-胸腺嘧啶的区域牢固结合.染成绿色的是TNNT2蛋白,这个蛋白主要在左右心室心房表达。第二个染色的蛋白是ACTA2,染色为红色,主要表达在白色虚线圈出来的区域,主要在心脏主动脉和肺动脉表达。橘色区域圈出来的是包含有肺静脉的纵膈组织,这个只有在6.5周后才出现。
免疫组化

4.空间转录组

  接下来对前面所有的切片做了空间转录组,得到了3115个spot,对这些spot做PCA降维聚类分析,得到10个簇,代表10个不同的解剖区域,比如零号簇代表紧凑型心室心肌,1-3号为小梁型心室心肌。
空间转录组

  把这些spot映射到切片上去,可以看到0-4号簇都是心肌细胞,spot的数量也随着胎龄的增大而增大,反映了心脏的生长

映射空间位置
接着对这10个簇做差异基因分析,找到每个簇的差异基因,向上是表达上调向下是表达下调。红颜色是差异表达超过0.01的点,接着对每个簇中表达上调的基因做GO富集,0-4号簇都富集有心脏收缩和心脏发育的功能,第0簇在代谢方面有富集,第1-2簇在传导方面有富集,第3簇在氧化代谢方面有富集等等。

差异基因分析
在这里插入图片描述

5.单细胞测序

  文章另外取了一个6.5胎龄的心脏,把心脏横切为上下两部分,分别做10X单细胞测序,分两半测序是为了区分细胞来自心脏的哪个部分。测序完成之后,总共得到3717个高质量的单细胞,接下来把上下两半的单细胞合并起来做聚类分析,结果得到15个簇,这15个簇代表不同的细胞类型,例如第0簇是毛细血管内皮细胞。
单细胞转录组取样
10X单细胞转录组

6.原位测序

  然后做了原位测序,文章选用了69个基因做目标基因,做了个panel做目标测序。这是原位测序得到的结果图。来看当中的一小部分,取出一个区域放大,灰色背景是DAPI染色,DAPI染色说明这里有一个细胞,放射出来的符号表示mRNA对应的基因。
原位测序
原位测序结果
  根据原位测序结果可以估算出来切片当中各种细胞的分布,细胞类型和10X单细胞测序得到的15个簇相同。
估算的细胞种类图
  原位测序图和细胞种类图是相对应的,取其中相对应的同一部分,得到C图和D图,D图的小圆圈都是占比的饼图。E图上半部分是细胞中表达的各种基因,下半部分是从统计上看这些基因属于哪个簇的细胞。可以看第二个图,77.8%的是心外膜来源的细胞基因,所以把这个细胞定义为心外膜来源细胞。按照这种方法就可以得到完整切片的细胞种类图。
细胞种类图展开
  把多张切片的细胞种类图在三维心脏模型中叠加,可以得到完整的细胞种类三维图。把所有切片的空间转录的spot点叠加到三维心脏模型,就可以得到心脏的三维转录组空间图,这是这张图的三视图。
心脏的三维细胞种类图
  有了不同时间和不同空间的细胞种类和转录组空间图,人类心脏发育的时空图就得到了。
心脏的三维转录组图

### 基于深度学习的时间序列位移数据分析方法及其在黄连树滑坡案例中的应用 时间序列数据的分析对于预测滑坡位移具有重要意义。通过利用图卷积网络(Graph Convolutional Networks, GCNs),可以有效捕捉空间和时间维度上的复杂关系,从而实现更精确的地表变形预测[^1]。 #### 方法概述 研究采用了基于GCN的方法来建模滑坡的空间结构特性以及其随时间的变化规律。具体而言,该模型能够将地理上相邻监测点之间的相互作用纳入考虑范围,并结合历史观测记录构建输入特征矩阵。这种方法不仅保留了原始传感器采集到的信息完整性,还增强了对潜在模式识别的能力。 为了进一步提升性能,在实际操作过程中引入了长期短期记忆网络(Long Short-Term Memory,LSTM),它擅长处理长时间跨度内的依赖关系。LSTM与GCN相结合形成了一种混合架构,这种设计使得系统既可以从局部邻域获取即时变化趋势,又能从全局视角理解整体动态演化过程。 #### 黄连树滑坡案例分析 以重庆唐教一号滑坡为例进行了实验验证。通过对多个测站点日均累计位移量作为训练样本集进行拟合计算得出结论表明:相比传统统计回归或者单一神经元层堆叠方式所建立起来的基础版本预测器来说,采用上述提到过的融合型框架确实能够在一定程度上提高预报精度并减少误差波动幅度。 以下是用于描述此流程的一个简化版Python代码片段: ```python import tensorflow as tf from tensorflow.keras.layers import LSTM, Dense, Input from spektral.layers import GCNConv def build_model(num_nodes, num_features): X_in = Input(shape=(None, num_features)) A_in = Input((num_nodes,), sparse=True) gc_1 = GCNConv(16)([X_in, A_in]) lstm_out = LSTM(units=32)(gc_1) output = Dense(1, activation='linear')(lstm_out) model = tf.keras.Model(inputs=[X_in, A_in], outputs=output) return model ``` 以上代码展示了如何定义一个简单的包含GCN和LSTM组件在内的Keras/TensorFlow模型实例化函数。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值