Reducción del análisis espacial y unicelular de horas a minutos

Históricamente, TGen trituraba tejidos, extraía información molecular de todas las células de los tejidos y analizaba esa información en conjunto. Sin embargo, esto planteaba algunos desafíos. "Cada tejido, ya sea de pulmones, corazones o cánceres, no está compuesto de un monolito. Son muy complejos y están formados por diferentes tipos de células", explica Banovich. "Estos tipos de células actúan de forma diferente en relación con la progresión de la enfermedad, los resultados y la respuesta al tratamiento". El equipo de Banovich realizó ensayos masivos y comparó muestras de enfermedad y control antes de usar enfoques unicelulares. Sin embargo, esto no proporcionó el nivel de granularidad necesario a nivel celular. En cambio, estos enfoques solo proporcionaron un promedio de todo lo que sucedía.

Banovich explica: "Cuando comenzamos a usar métodos unicelulares, pudimos hacer comparaciones homogéneas, examinar la lista de cada tipo de célula y determinar qué ocurre en la enfermedad y qué ocurre en el control". Los métodos unicelulares permitieron comprender los fundamentos moleculares de la enfermedad, aunque había otro método que podía aportar aún más información: el espacial.

Desde los datos relacionales que permiten a los investigadores ver dónde se encuentran las células en relación con las demás hasta los datos de imágenes que pueden utilizarse para superponerlos a 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 de garantizar que pudieran sacar el máximo provecho de las muestras recibidas de los estudios clínicos.

Los flujos de trabajo estándar para procesar datos unicelulares eran asumibles, ya que el equipo trabajaba con grandes conjuntos de datos de manera poco frecuente. Una vez que el equipo pasó a la espacialidad, se dieron cuenta rápidamente de que se trataba de un desafío mayor. Las primeras ejecuciones de instrumentos de ómica espacial dieron como resultado hasta 10 millones de células. El instrumento Xenium Analyzer, con tecnología NVIDIA, acelera el tiempo de obtención de resultados al realizar análisis integrados y generar formatos de archivo comunes para su uso en herramientas externas. Sin embargo, los flujos de trabajo estándar utilizados para el análisis terciario de componentes principales y de agrupación requerían de 10 a 14 horas.

Por si fuera poco, estos procesos no son fijos. Los datos se ejecutan a través de procesos y los resultados se evalúan si el algoritmo de agrupación ha funcionado como se esperaba. Si no es así, los parámetros se modifican y el proceso se repite. Como explica Banovich, "Esto empieza a ser 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, tardábamos demasiado".