Reducción del Análisis Espacial y Unicelular de Horas a Minutos

Históricamente, TGen trituraba tejidos, extraía información molecular de todas las células dentro de los tejidos y analizaba esa información en conjunto. Sin embargo, esto planteó algunos desafíos. “Todos los tejidos, ya sea que se trate de los pulmones, el corazón o los cánceres, no están formados por un monolito. Son realmente complejos y están formados por diferentes tipos de células”, explica Banovich. "Estos tipos de células hacen cosas diferentes en relación con la progresión de la enfermedad, los resultados y la respuesta al tratamiento". El equipo de Banovich realizó ensayos en masa y comparó muestras de enfermedades y de control antes de utilizar enfoques unicelulares. Sin embargo, esto no proporcionó el nivel de granularidad necesario a nivel celular. Más bien, estos enfoques sólo proporcionaron un promedio de todo lo que estaba sucediendo.

Banovich explica: "Cuando comenzamos a utilizar enfoques unicelulares, realmente pudimos comparar manzanas con manzanas, y se podía revisar la lista de cada tipo de célula y decir qué está sucediendo en la enfermedad y qué está sucediendo bajo control". Los enfoques unicelulares permitieron comprender las bases moleculares de la enfermedad, pero había otro enfoque que podría proporcionar aún más información: el espacial.

Desde datos relacionales que permiten a los investigadores ver dónde se ubican las células entre sí hasta datos de imágenes que pueden usarse para superponerse con datos moleculares, la multiómica espacial abre nuevas oportunidades para una comprensión más profunda. Sin embargo, estas nuevas capacidades también plantean nuevos desafíos computacionales. Para TGen era crucial no solo encontrar una manera de abordar estos desafíos, sino también garantizar que pudieran aprovechar al máximo las muestras recibidas de los estudios clínicos.

Los workflows estándar para procesar datos unicelulares eran manejables, ya que el equipo trabajaba con grandes conjuntos de datos con poca frecuencia. Una vez que el equipo pasó a lo espacial, rápidamente se dieron cuenta de que se trataba de un desafío mayor. Las primeras pruebas con instrumentos de ómica espacial dieron como resultado hasta 10 millones de células. El instrumento Xenium Analyzer, con tecnología de NVIDIA, acelera el tiempo de obtención de resultados al realizar análisis integrados y generar formatos de archivos comunes para su uso en herramientas de terceros. Sin embargo, los workflows estándar utilizados para el análisis terciario, de componentes principales y de agrupación requirieron entre 10 y 14 horas.

Para empeorar aún más las cosas, estos pipelines no están reparados. Los datos se procesan a través de canales y luego se evalúan los resultados para determinar si el algoritmo de agrupación funcionó como se esperaba. De lo contrario, se modifican los parámetros y se repite el proceso. Como explica Banovich, “Esto comienza a volverse realmente prohibitivo si cada una de esas iteraciones es un proceso de 10 horas. Nos dimos cuenta de que, incluso con 3 o 4 millones de células, estábamos tardando demasiado”.