Assembling a Spatial Transcriptomics Atlas of Immune Niches in the Human Gut

Sammanfattning

Inflammatorisk tarmsjukdom (IBD) och kolorektal cancer (CRC) är två sjukdomar i mag-tarmkanalen som delvis delar en inflammationsdriven etiologi och patologi. Tertiära lymfoida strukturer (TLS), dvs. lymfoida aggregat som bildas i ektopiska vävnader under kronisk inflammation, är ett kännetecken för båda sjukdomarna. Vid CRC har förekomsten av TLS associerats med en bättre patientprognos, delvis relaterat till den högre effektiviteten av checkpointhämmare. Bildningen och funktionen av TLS är dock inte helt känd. Nya framsteg inom spatial transkriptomisk analys har möjliggjort karakterisering av cellstrukturer med hög upplösning. Detta har lett till nya spatial transkriptomiska sjukdomsspecifika studier som kartlägger bildandet av TLS, men det saknas studier som kombinerar data från flera sjukdomar. En gemensam spatial transkriptomisk analys av IBD och CRC skulle potentiellt kunna bidra till att identifiera ett bredare spektrum av TLS-mognadsstadier. I denna studie sammanställs en spatial transkriptomisk, sjukdomsöverskridande atlas från fyra dataset med IBD och CRC innehållande totalt 84 vävnadsprover, där överlappande lymfoida aggregatstrukturer analyseras över de två sjukdomarna. Integrationen av dataseten hanterade skillnader i genpaneler genom att utföra gimVI-genimputation, vilket följdes av scVI-integration i en gemensam latent inbäddning (eng: latent embedding). CellCharter spatial domänklustring utfördes sedan i tre iterationer, först med klustring av alla celler i 29 nischer och till sist klustring och kartläggning av de identifierade lymfoida aggregatnischerna. En lymfoid aggregatnisch överlappade väsentligt mellan alla dataset, identifierad som den germinalcenterregion som är karakteristisk för mogna lymfoida aggregatstrukturer. Resultaten visar potentialen i att kartlägga mognadsstadier för TLS över sjukdomar och dataset, men också behovet av att förbättra integrationsmetodiken för att ytterligare förena biologiska tillstånd mellan dataset och eliminera tekniska variationer.