Reduzindo a Análise Espacial e Unicelular de Horas para Minutos

Historicamente, o TGen triturava tecidos, extraía informações moleculares de todas as células dentro dos tecidos e analisava essas informações de forma agregada. No entanto, isso apresentou alguns desafios. “Cada tecido, quer se trate de pulmões, coração ou cancro, não é constituído por um monólito. São realmente complexos e compostos por diferentes tipos de células”, explica Banovich. “Esses tipos de células estão fazendo coisas diferentes em relação à condução da progressão da doença, aos resultados e à resposta ao tratamento.” A equipe de Banovich conduziu ensaios em massa e comparou amostras de doenças e controle antes de usar abordagens unicelulares. No entanto, isso não forneceu o nível de granularidade necessário no nível celular. Em vez disso, essas abordagens forneceram apenas uma média de tudo o que estava acontecendo.

Banovich explica: “Quando começamos a usar abordagens unicelulares, podíamos realmente comparar maçãs com maçãs, e você poderia percorrer a lista de cada tipo de célula e dizer o que está acontecendo na doença e o que está acontecendo no controle”. As abordagens unicelulares permitiram a compreensão das bases moleculares da doença, mas havia outra abordagem que poderia fornecer ainda mais informações: espacial.

Desde dados relacionais que permitem aos pesquisadores ver onde as células estão em relação umas às outras até dados de imagem que podem ser usados para sobrepor dados moleculares, a multiômica espacial abre novas oportunidades para uma compreensão mais profunda. No entanto, estas novas capacidades também trazem novos desafios computacionais. Foi crucial para o TGen não apenas encontrar uma maneira de enfrentar esses desafios, mas também garantir que eles pudessem aproveitar ao máximo as amostras recebidas dos estudos clínicos.

Os workflows padrão para processamento de dados de célula única eram gerenciáveis, pois a equipe raramente trabalhava com grandes conjuntos de dados. Assim que a equipe mudou para o espaço, eles rapidamente perceberam que esse era um desafio maior. As primeiras execuções de instrumentos ômicos espaciais resultaram em até 10 milhões de células. O instrumento Xenium Analyzer, desenvolvido pela NVIDIA, acelera o tempo de obtenção de resultados realizando análises integradas e gerando formatos de arquivo comuns para uso em ferramentas de terceiros. No entanto, os workflows padrão usados para análise terciária, de componentes principais e de cluster exigiram de 10 a 14 horas.

Para piorar ainda mais as coisas, esses pipelines não são consertados. Os dados são executados por meio de pipelines e os resultados são avaliados para verificar se o algoritmo de cluster funcionou conforme o esperado. Caso contrário, os parâmetros serão ajustados e o processo será repetido. Como explica Banovich: “Isso começa a se tornar muito, muito proibitivo se cada uma dessas iterações for um processo de 10 horas. Descobrimos que, mesmo com 3 ou 4 milhões de células, demoramos muito.”