[論文レビュー] AI-driven 3D Spatial Transcriptomics

Cristina Almagro-Pérez, Andrew H. Song+14 more|ArXiv.org|Feb 25, 2025

Single-cell and spatial transcriptomics被引用数 3

ひとこと要約

VORTEX は、3D 組織形態と最小限の 2D ST データから密な 3D 空間転写体を予測する AI フレームワークで、スケーラブルで非破壊的な体積遺伝子発現マップを実現します。

ABSTRACT

A comprehensive three-dimensional (3D) map of tissue architecture and gene expression is crucial for illuminating the complexity and heterogeneity of tissues across diverse biomedical applications. However, most spatial transcriptomics (ST) approaches remain limited to two-dimensional (2D) sections of tissue. Although current 3D ST methods hold promise, they typically require extensive tissue sectioning, are complex, are not compatible with non-destructive 3D tissue imaging technologies, and often lack scalability. Here, we present VOlumetrically Resolved Transcriptomics EXpression (VORTEX), an AI framework that leverages 3D tissue morphology and minimal 2D ST to predict volumetric 3D ST. By pretraining on diverse 3D morphology-transcriptomic pairs from heterogeneous tissue samples and then fine-tuning on minimal 2D ST data from a specific volume of interest, VORTEX learns both generic tissue-related and sample-specific morphological correlates of gene expression. This approach enables dense, high-throughput, and fast 3D ST, scaling seamlessly to large tissue volumes far beyond the reach of existing 3D ST techniques. By offering a cost-effective and minimally destructive route to obtaining volumetric molecular insights, we anticipate that VORTEX will accelerate biomarker discovery and our understanding of morphomolecular associations and cell states in complex tissues. Interactive 3D ST volumes can be viewed at https://vortex-demo.github.io/

研究の動機と目的

• 異質な組織における真の 3D 空間転写体測定の必要性を動機づける。
• 多様な 3D 形態と 2D ST データから形態分子リンクを学習するスケーラブルな AI フレームワークを開発する。
• VOI に特化した微調整を可能にし、体積特有の形態分子相関を取り込む。
• 非破壊的な 3D 画像モダリティを用いて大規模な組織体積で 3D ST 予測を実演する。
• 異なる画像モダリティや 2.5D（連続切片）状況への横断的一般化を示す。

提案手法

• 多様な体積と疾病コホートからの 3D 形態–2D ST ペアで VORTEX を事前学習する。
• クロスモーダル登録を用いて 3D 組織画像、2D 組織画像、2D ST データを整列させる。
• 2D/3D 画像エンコーダ、転写体エンコーダ、転写体予測子の四つの構成要素を用いる。
• コントラスト学習（埋め込みの整合）と ST 再構成損失を含むマルチタスク目標で訓練する。
• VOI 特異的な 2D ST データで微調整して、体積特有の形態分子リンクを組み込む。
• 場合によっては 3D コンテキストが不可能な場合に 2.5D 状況へ連続断面を用いて拡張する。

実験結果

リサーチクエスチョン

• RQ1 VORTEX は 3D 形態と限られた 2D ST データから密な 3D ST を予測できるか？
• RQ2 3D 形態的文脈を取り入れることで 2D のみのアプローチより予測精度が向上するか？
• RQ3 VOI 特異的微調整は予測精度と形態的一貫性にどのように影響するか？
• RQ4 モデルは大規模な組織体積へスケール可能で、異なる画像モダリティに適応できるか？
• RQ5 VORTEX は 2.5D 連続断片や未見の大規模体積へ一般化できるか？

主な発見

• 3D+VOI 学習は遺伝子セット全体で最も良い予測性能を示し、平均 PCC は 0.46（全遺伝子）、0.57（トップ50）、0.42（マーカー遺伝子）。
• 3D+VOI は PCC および SSIM 指標で一貫して 3D および 2D 学習設定を上回る（例: SSIM 全体 = 0.56 が 3D+VOI、0.51 が 3D、0.50 が 2D）。
• VORTEX は VOI 微調整により発現分散と空間自己相関をより正確に捉え、Spearman’s ρ が高く、Moran’s I/Geary’s C の差異が改善される。
• 3D 文脈は腫瘍腺、間質、良性腺といった形態的領域と一致する予測を可能とし、腫瘍内の EpCAM や間質の ACTA2 などの既知の遺伝子–形態相関を再現する。
• フレームワークは大規模な組織体積（例: 6.62×8.85 mm2、深さ 1.71 mm）へスケール可能で、モダリティ（例: OTLS）や 2.5D 連続断片データへ一般化する。
• VOI 微調整は、最小限の追加 2D ST データでも大幅な利得をもたらし、元の ST キャプチャ領域を超えた外挿を可能にする。