Streamlining single-cell spatial transcriptomics for human kidney tissue
Notice bibliographique
Résumé
Single-cell spatial technologies have emerged in recent years, enabling characterization of tissue architecture and organization at unprecedented resolution. However, computational analysis of spatial transcriptomics data remains a bottleneck for scientific discoveries in the absence of dedicated bioinformatics expertise. Here, we describe a novel cell area normalization method and workflow to annotate 15 kidney cell types from a dataset generated using NanoString’s CosMx single-cell-resolution spatial transcriptomic platform. This approach enabled a comparison between two healthy kidney biopsies and two diseased samples. We validated our pipeline’s accuracy using gene expression analysis, demonstrating increased sensitivity compared with other normalization methods and consistency with pathological changes observed in biopsy-proven diabetic kidney disease (DKD). Using precise cell type annotation, we observed significant changes in the proportions of podocytes and immune cells in DKD, with regional enrichment of immune cells and differential gene expression. Injured proximal tubules showed the expected upregulation of HAVCR1 and VCAM1, as well as other genes associated with diabetes, including IL18, ITGA3, and ITGB1. The workflow, now fully integrated into the BioTuring SpatialX (Lens V2.0), is available as a platform designed for users with no formal bioinformatics training, providing accessible web-based tools for spatial data analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».