Гистологические изображения позволяют получить карту клеточного микроокружения с высоким разрешением и служат уникальным инструментом для улучшения пространственных транскриптомнывх данных. Модели машинного обучения могут быть использованы для анализа изображений и выявления взаимосвязей между особенностями изображения и экспрессией генов, тем самым предсказывая уровни экспрессии генов в различных пространственных зонах на изображениях.⁷⁶ Примеры: Xfuse,⁷⁷ TESLA,⁷⁸ soScope,⁷⁹ и Istar.⁷⁶ Xfuse моделирует пространственную экспрессию генов и данные гистологических изображений как наблюдаемые эффекты скрытого состояния ткани. Она использует распознающую нейронную нейросеть для сопоставления данных изображения с этим скрытым состоянием, что позволяет проводить интерполяцию экспрессии генов по гистологическим изображениям. TESLA использует гистологическое сходство для вменения (предсказания) экспрессии генов. Модель SoScope представляет собой глубокую генеративную модель, которая объединяет пространственные омические профили, местоположения и изображения для вменения омических профилей на уровне субточек. Istar использует предварительно обученной модели из наборов данных гистологических изображений для повышения разрешения данных SRT. (Таблица 2, Импутация генов на основе изображений⁴²)

Будущие усилия должны быть направлены на совершенствование методов интеграции данных для согласования пространственных и молекулярных данных, совершенствование технологий визуализации для получения изображений более высокого разрешения и мультиплексированных изображений, а также создание стандартизированных протоколов для сбора и аннотирования данных.

Кроме того, расширение наборов аннотированных данных может повысить точность обучения моделей, при этом улучшая интерпретируемость моделей и подтверждая вмененные данные экспериментальными методами для обеспечения биологической значимости.

К CCC относится биологический процесс, в ходе которого клетки обмениваются информацией посредством прямого физического контакта или химической сигнализации. Это помогает определить пространственные структуры в пространственной транскриптомике, выявляя расположение клеток и их взаимодействие в тканях. В частности, данные ССС позволяют детально изучить многоклеточные ниши и выявить критические коммуникационные пути, необходимые для гомеостаза тканей, и того, как эти пути реагируют на возмущения. Для надежности, скрининги генетических возмущений и прямая экспериментальная проверка могут быть использованы для подтверждения коммуникационных сетей и повысить биологическую значимость полученных результатов. Понимание ССС на основе данных SRT представляет собой уникальное преимущество благодаря пространственной близости, присущей этим взаимодействиям. Примерами методов обнаружения ССС в данных SRT являются COMMOT⁸¹, NCEM⁸² и niche-DE⁸³. COMMOT использует коллективный оптимальный транспорт с пространственными ограничениями на расстояние для оценки CCC. В отличие от этого, NCEM и niche-DE моделируют зависящую от ниши экспрессию клеток, чтобы сделать вывод о потенциальных ССС, которые могут не зависеть от взаимодействия между клетками на основе рецепторов и лигандов⁵⁹. (Таблица 2, Связь между клетками)

Основной проблемой при анализе ССС является низкое содержание РНК в некоторых типах клеток, таких как Т-клетки в микроокружении опухоли, что может препятствовать выявлению путей и сетей. Хотя агрегирование данных может помочь смягчить эту проблему, оно затушевывает гетерогенность и специфичность клеточных взаимодействий, маскируя редкие события взаимодействия. Кроме того, интеграция мультимодальных данных и поддержание эффективности вычислений при растущем объеме данных является сложной задачей. Важно отметить, что продольный анализ данных ССС часто требует моделирования временных связей.

Пространственные данные транскриптомики имеют высокую размерность, которую сложно представить с помощью традиционных таблиц. Интуитивно понятные визуализации упрощают эту задачу, представляя данные в графическом виде, раскрывая пространственное распределение клеток и их взаимоотношения в тканях, часто сворачивая многочисленные переменные. Такой подход помогает исследователям обнаружить закономерности и различия, которые могут быть упущены из виду в статичных таблицах. Интерактивные визуализации улучшают исследование, позволяя динамически настраивать и фильтровать данные, улучшая интерпретацию результатов и связывать полученные результаты с биологическими гипотезами и клиническими приложениями. Существующие инструменты включают Giotto,²³ SRT Viewer,²⁰ Cytosplore Viewer,²¹ StereoMap (https://en.stomics.tech/products/bioinfotools/offlinesoftware) и 10X Genomics Loupe Browser (https://www.10xgenomics.com/products/loupe-browser), представляют собой удобные интерфейсы как для фундаментального анализа и интерактивного исследования. Эти инструменты позволяют пользователям эффективно перемещаться по обширным наборам данных и настраивать визуальные элементы на основе значений экспрессии генов и кластеров клеток. Однако по мере развития области пространственной омики растет потребность в более рациональных инструментах для удовлетворения развивающихся аналитических потребностей. Помимо возможностей существующих инструментов, существует значительная проблема в решении расширенных функций, включая интерактивную визуализацию, визуализацию траектории клеточной дифференциации, мультимодальную ко-регистрацию и трехмерную визуализацию.⁸⁴ Исследователи и практики ищут более сложные платформы, которые могли бы легко интегрировать эти передовые функции, обеспечивая комплексную и интуитивно понятную визуализацию. Постоянное развитие пространственных омических исследований обусловливает необходимость разработки инструментов, которые не только удовлетворяют текущие потребности, но и позволяют предвидеть и учитывать будущие аналитические требования. Оптимизированные фреймворки ( frameworks) с расширенными возможностями визуализации динамических клеточных процессов, несомненно, будут способствовать углублению нашего понимания пространственной биологии.

Органные системы человека и других сложных многоклеточных организмов состоят из тканей, сложно организованных с пространственной точностью. В то время как достижения в области одноклеточных транскриптомика улучшила наше понимание клеточной гетерогенности, изучение пространственного распределения клеток в тканях и органах позволяет выявить еще более тонкие детали их функциональной роли.^85,86 Например, редкие клеточные популяции в критических областях могут ранее не выявлять ключевые функции, а дифференциация субпопуляций внутри многочисленных типов клеток может показать, как пространственный контекст влияет на поддержание структуры и функциональную специализацию. Такие пространственные анализы позволяют по-новому взглянуть на клеточные функции и взаимодействия. В следующих разделах приводится краткая информация о последних достижениях в области различных тканей.

Пространственные атласы были построены почти для всех органов человека (рис. 1), таких как печень, ^87-89 сердце, ^{90, 91} легкие, ^{92, 93} кишечник,⁹⁴ и почки.⁹⁵ Исследования физиологии тканей вступают в новую эру, достигая беспрецедентных уровней количественной характеристики клеточных популяций. Например, в атласе развития кишечника человека выявлено более ста типов клеток, описано функциональное разнообразие фибробластов и специфические иммунные программы.⁹⁴ Аналогичным образом, пространственный клеточный атлас развивающегося человеческого сердца позволил выделить субкластеры клеток с уникальными функциональными свойствами, что позволяет детально анализировать различные состояния в одной популяции клеток и структурно связанные переходы между состояниями. Сопоставление профилей экспрессии генов со сложной архитектурой тканей в здоровых органах помогает точно определить местоположения типов и подтипов клеток, характерных для хорошо известных тканевых структур, таких как дыхательные пути в легких, печеночные дольки в печени, нефроны в почках и крипты в кишечнике. Ярким примером является работа Fawkner-Corbett и др.94 , которая позволила по-новому взглянуть на формирование оси крипт и ворсинок и морфогенез нейронов, подчеркивая происхождение Пейеровых бороздок и ассоциированной с кишечником лимфоидной ткани. Данное исследование проливает свет на сложные процессы, формирующие архитектуру этих специализированных тканевых структур, и вносит вклад в наше пониманию развития органов.

Одновременно изучение состава клеточных популяций в структурном контексте предоставляет уникальную возможность интегрировать различные аспекты, включая межклеточные взаимодействия, паракринные и аутокринные механизмы и отношения близости между клеточными популяциями. Такой комплексный подход позволяет уточнить структурное влияния на функциональность. Например, в атласе SRT легких имеются доказательства взаимных сигнальных взаимодействий между фибробластами дыхательных путей и соседними гладкомышечными клетками дыхательных путей. Этот вывод подчеркивает важность понимания того, как различные клеточные популяции в пределах конкретной тканевой структуры взаимодействуют и влияют друг на друга, внося свой вклад в общую функциональность органа,⁹⁶ Аналогичным образом, в области развития поджелудочной железы человека, совместная локализация Шванновских клеток с эндокринными предшественниками предполагает потенциальное взаимодействие между этими типами клеток через L1CAM-EPHB2 сигнализацию.⁹⁷ Этот механизм взаимодействия подчеркивает запутанную сеть клеточного взаимодействия в структурных пределах поджелудочной железы, что подчеркивает необходимость учета как пространственные, так и молекулярные контексты для всестороннего понимания процессов развития.

Еще одно важнейшее применение пространственной транскриптомики является сравнение нормальных и аберрантных тканей при заболеваниях, как с точки зрения клеточного состава так и пространственной организации. Для таких состояний, как инфаркт миокарда человека, сочетание SRT с scRNA-seq и доступностью хроматина позволило создать атлас поражений, дающий представление об изменениях сердечного транскриптома и эпигенома.⁹⁸ При таких новых заболеваниях, как COVID-19, SRT может быстро дать представление о механизмах патологии, что было продемонстрировано при анализе местного иммунного ответа и микросредовых ниш в образцах, инфицированных SAR2-CoV-2,⁹⁹ по сравнению с вирусом гриппа.¹⁰⁰ Кроме того, пространственная транскриптомика была применена к гранулемам пациентов с саркоидозом, что позволило получить представление о транскрипционных регуляторных программах, связанных с формированием гранулемы.¹⁰¹ Углубленная характеристика клеточных популяций, связанных с заболеванием, и понимание лежащих в их основе генных регуляторных программ может способствовать картированию генетических вариантов, ассоциированных с заболеванием, этими программами, обеспечивая направление для экспериментального изучения функциональных ролей этих локусов. Например, при исследовании миокарда с помощью одноклеточной геномики инфаркта миокарда, о котором говорилось ранее, определение регуляторных ролей ключевых факторов транскрипции, связанных с заболеванием, имеет решающее значение для понимания молекулярных механизмов, лежащих в основе заболевания.⁹⁸

Понимание того, как клетки различных тканей и органов обновляются в рамках своих отличительных структур, крайне важно для понимания процессов восстановления повреждений и структурного старения. Последние достижения в области пространственной транскриптомики способствовали созданию пространственных атласов для легких плода, спинного мозга, легких и сердца взрослого человека, поддерживаемые такими инициативами, как Программа биомолекулярного атласа человека (HuBMAP).¹⁰² Эти атласы служат бесценными ресурсами, предлагая детальное понимание происхождения и структурных изменений в этих органах, обеспечивая тем самым основу для будущих исследований по обновлению тканей, механизмам восстановления и процессам старения.^93,103-105

Поперечные анализы, основанные на отдельных временных точках, ограничены в своей способности отражать динамические изменения в клеточных популяциях, такие как их появление, расширение, сокращение и пространственная миграция, во время развития, формирования тканей и прогрессирования заболеваний. В исследованиях растений, где образцы могут быть получены в непрерывных временных точках, существует широкое поле для изучения этой динамики благодаря разнообразию доступных образцов и сценариев, таких как формирование регионально-специфических подтипов для типа клеток,^106,107 определение судьбы клеток при развития органов,^108,109 и регенерации.¹¹⁰ В отличие от этого, исследования развития человеческих тканей и органов сталкиваются с этическими ограничениями, что привело к пионерским усилиям по изучению этих процессов с помощью человеческих эмбрионов, развития тканей на животных моделях и in vitro ^111-114 Путем картирования профилей экспрессии стволовых клеток, клеток-предшественников и дифференцированных клеток, исследователи могут определить их пространственное распределение и обилие в тканях, обеспечивая более тонкое понимание клеточной динамики.¹¹⁵ Близость и организация этих клеток в структурных контекстах позволяют понять, как они переходят из одного состояния в другое. Анализ псевдовремени в одноклеточной транскриптомике предлагает метод для определения траекторий развития, но эти предсказания требуют подтверждения с помощью функциональных анализов, таких как эксперименты с возмущениями CRISPR/Cas9, для подтверждения роли конкретных генов в поддержании и дифференцировке стволовых клеток в их родной среде. В ближайшем будущем, по мере снижения стоимости методов SRT букдет происходить, накопление динамических пространственных транскриптомных данных с несколькими временными точками, это будет углублять наше понимание динамических изменений среди стволовых, предшественников и других типов клеток, проливая свет на процессы формирования, поддержания и изменения тканей с течением времени.

Нервная система с ее сложной архитектурой состоит в основном из двух типов клеток: глиальных клеток и нейронов.¹¹⁶ Точный анализ нервной системы требует точности определения типа клеток. Хотя одноклеточные технологии позволяют получить ценные сведения о специфических патернах экспрессии клеточных типов.^117,118 они не в состоянии раскрыть взаимодействия и организации между различными типами клеток в их микросреде. SRT-анализ, с другой стороны, легко выявляет пространственную гетерогенность мозга (рис. 2), предоставляя исследователям инструменты для извлечения более полной информации из данных.¹¹⁹

Со временем было создано несколько атласов мозга, отображающие различные области нейронной системы, включая кору, гиппокамп, мозжечок, гипоталамус, и спинной мозг. Эти атласы дают глубокое механистическое понимание функциональности мозга, идентифицируя уникальные клеточные типs клеток на молекулярном, пространственном и функциональном уровнях.^120-131 Например, кора головного мозга млекопитающих, примером которой являются такие регионы, как кора головного мозга, с ее характерной шестислойной структурой, определяемой типами клеток,¹³² иллюстрирует сложность нервной системы.^116,133 Эта организация неразрывно связана с развитыми когнитивными способностями млекопитающих. Помимо архитектуры, межклеточные коммуникации являются основополагающими для физиологических функций, что делает пространственное разрешение при анализе не только полезным, но и необходимым.¹³⁴ При анализе мышиной соматосенсорной коры исследователи выявили молекулярные маркеры и пространственное расположение различных популяций микроглии, даже составили всеобъемлющий атлас лиганд-рецепторов, подчеркивающий сложную динамику нейрон-микроглия.

К настоящему времени исследователи уже получили сведения о мозге, специфичные для конкретного типа клеток, которые определяются как во времени, так и в пространстве.¹³⁵ Исследования развития мозга эмбриональной мыши предсказывают пространственно-временные регуляторные схемы на протяжении всего развития.^124,136 И наоборот, исследования старения показывают сложные молекулярные изменения и пространственные реконфигурации, происходящие в течение всей жизни мозга,¹²⁶ особенно в таких областях, как лобная кора и стриатум.¹³⁷ Межвидовой анализ с использованием SRT выявляет биологические особенности, имеющие ключевое значение в эволюционных процессах,^{121 138} подчеркивая как сохранение, так и отличительные ассоциации клеточных типов.¹³⁸

Анализируя данные пациентов или используя животные модели, были проведены исследования психических расстройств, таких как большое депрессивное расстройство и шизофрения,^139,140 а также нейродегенеративных заболеваний, таких как болезнь Альцгеймера, болезнь Паркинсона, боковой амиотрофический склероз и рассеянный склероз.^141-146 Исследования в области опухолей, таких как глиомы и медуллобластома.^134,147 В частности, в одном из исследований использовались самки макак cynomolgus в качестве животной модели, что позволило выявить специфическую субпопуляцию микроглии, связанную с депрессивным поведением. Этот многогранный подход, охватывающий виды и условия, подчеркивает универсальность и глубину знаний, которые могут дать технологии SRT.

Во-первых, совершенствование технологии SRT с точки зрения глубины секвенирования и клеточной специфичности является обязательным условием для всех исследований. Текущая идентификация генов может быть достаточной для целей кластеризации, но не позволяет выявить важнейшие гены, таких белков, как факторы транскрипции, которые играют ключевую роль в регуляции биологических функций, несмотря на низкий уровень экспрессии. Во-вторых, анализ нейронных цепей имеет решающее значение для понимания сложных связей и путей коммуникации в мозге, что позволяло бы понять функции мозга, поведение, и глубинные причины неврологических расстройств.¹⁴⁸ Такие методы, как BAR-seq и MAP-seq, позволяют изучать проекции нейронов. Усовершенствование этих инструментов с помощью более пространственной и транскрипционной информации представляет собой перспективное направление исследований.^149,150 В-третьих, пространственные технологии открыли двери к целостному пониманию механизмов регуляции генов. Для получения всестороннего понимания необходимо использовать данные мультиомики для одновременного профилирования различных слоев информации одновременно, что необходимо для характеристики сложной архитектуры мозга. Вкратце, по мере того как по мере того, как мы расширяем границы технологий и понимания, стремление к большей глубине секвенирования, клеточной специфичности и интегрированного омического анализа будет играть ключевую роль в формировании будущего нейронаучных открытий.

Рак является тяжелым бременем для общества из-за высоких показателей заболеваемости и смертности.¹⁵¹ Глубокое понимание внутренней структуры опухоли и ее взаимодействия с окружающей микросредой имеет решающее значение для разработки эффективных профилактических и терапевтических стратегий.¹⁹ Солидные опухоли представляют собой сложные экосистемы, состоящие в основном из раковых клеток и стромальных клеток и различных инфильтрирующих иммунных клеток. Эти клетки взаимодействуют друг с другом и местным окружением, влияя на рост опухоли и терапевтический ответ.^152,153 ScRNA-seq обеспечивает беспрецедентное разрешение при анализе клеточных субпопуляций внутри опухолей.^66,154-156 Однако в настоящее время она не позволяет выяснить пространственное распределение, функциональную динамику и роль этих различных типов и состояний клеток.¹⁵⁷ Такие технологии, как визуализация и NGS, становятся незаменимыми для понимания пространственного прогрессирования и динамики опухолей (рис. 3). SRT вступает в игру, предоставляя как пространственные данные, так и транскриптомную информацию об опухолевых клетках и их прилегающем микроокружении. Эти данные позволяют провести многомерный анализ микроокружения опухоли (TME), способствуя более полному пониманию взаимодействий между опухолевыми клетками и их окружением.^158,159 Таким образом, мы можем расширить наше понимание пространственных межклеточных взаимодействий между клетками и их эффектами в TME. Изучение ключевых структурных областей в опухолях SRT может улучшить всестороннее понимания ассоциированных с опухолевой прогрессией областей или структур, таких как граница опухоли и нормы, третичные лимфоидные структуры (TLS), кровеносные сосуды и др. Интерфейс опухоли, где опухолевые клетки вторгаются в нормальную ткань и разрастаются, имеет решающее значение для изучения того, как злокачественные клетки вторгаются и перепрограммируют другие клеточные компоненты в микроокружении, проявляя агрессивные характеристики и иммуносупрессивные ниши.^160-163 Интерфейс опухоли возникает как область, обогащенная иммунными клетками, в некоторых видах рака, создавая иммуносупрессивные ниши с помощью различных механизмов. Например, поврежденные SAA+ гепатоциты при раке печени способствуют привлечению макрофагов и поляризации М2.^163,164 Кроме того, при глиобластоме было отмечено, что мезенхима-подобные опухолевые клетки ассоциируются с iL-10-выделяющими HMOX1+ миелоидными клетками, что способствует созданию иммуносупрессивного микроокружения.^163,164

TLSs, организованные агрегаты лимфоидных клеток (B-клеток, T-клеток и DCs) в не лимфоидных тканях, обнаруживаются в опухолевых поражениях и прилегающих нормальных тканях, влияя на прогрессирование рака.^165-170 Исследование TLSs с помощью SRT, а не чем предыдущие методы многократной иммуногистохимии или многократного иммунофлуоресцентного окрашивания, может выявить структуры TLS с высоким разрешением и потенциально выявить ключевые факторы или меж-клеточные коммуникации для их противоопухолевых функции. В качестве примера можно привести случай, когда при почечно-клеточной карциноме IgG-продуцирующие плазматические клетки, происходящие из TLS, распространялись в опухолевые слои вдоль фибробластических дорожек. Примечательно, что эти клетки с высокой частотой ассоциации с апоптотическими злокачественными клетками, что предполагает потенциальную противоопухолевую эффекторную активность.¹⁷¹

SRT обладает уникальным преимуществом, позволяющим выявить временные изменения в процессе прогрессирования опухоли. В настоящее время оценка ограниченных стадий опухоли, включая предзлокачественные поражения, в значительной степени опирается на морфологию клеток, которая неадекватно отражает непрерывную эволюцию канцерогенеза. Оценка пространственной целостности генома на основе SRT позволила выявить клональные связи между доброкачественными и злокачественными тканями. Это позволяет предположить, что возникновение геномной нестабильности в гистологически доброкачественных тканях может представлять собой ранние события в эволюции рака.¹⁷² Многочисленные случаи, демонстрирующие прогрессию от нормальных до злокачественных опухолей открывают большие перспективы для ранней и точной диагностики и лечения рака.

Благодаря постоянному развитию технологий SRT и пространственной мультиомики технологий мультиомики, исследователи теперь могут профилировать экспрессию тысяч генов и измерять различные модальности в пространственном контексте. Это позволяет получить точное изображение гетерогенных структур в опухолях без необходимости интегрировать данные мультиомики одной клетки. Традиционные исследования рака, в которых преимущественно профилирование срезов тканей в двумерном стиле, чревато ошибками при отборе образцов и может привести к путанице в биологических интерпретациях. По мере снижения стоимости SRT будущее онкологических исследований видится в расшифровке TME, TiME, TLS и кровеносных сосудов в трехмерном контексте. Этот целостный подход обещает охватить весь спектр гетерогенности структуры опухоли.

Недавние инициативы, такие как Spatial Multi-Omics Atlas Initiatives,⁵³ предвещают новую эру в исследованиях рака. По мере инициатив, стандартизированные наборы пространственных мультиомических данных и изображений, полученных от больших когорт пациентов, в сочетании с инновационными алгоритмами интеграции искусственного интеллекта, будет способствовать выявлению пространственных закономерностей. Это, в свою очередь, поможет в типировании опухолей, выборе лекарств, прогнозировании и многом другом. Помимо применения в исследованиях рака, ожидается рутинное использование SRT в патологических исследованиях и клинических испытаниях. Пространственная мультиомика откроет эпоху преобразований в исследованиях рака и точной медицине. Использование пространственной омики для фармацевтических инноваций в области технологий пространственной омики открывают новые возможности для понимания клеточной и тканевой гетерогенности клеток и тканей, что открывает значительный потенциал для революционного открытия и разработки лекарств. Пространственная геномика и транскриптомные методы позволяют профилировать и картировать экспрессию генов с сохранением пространственного контекста на одноклеточном или субклеточном уровне.^4,173,174 Эти методы, включающие пространственный контекст в геномное, транскриптомное и протеомное профилирование, представляют значительную ценность для фармацевтической промышленности. Они открывают перспективу для выяснения механизмов заболеваний, определения терапевтических мишеней, применения подходов точной медицины и определения механизмов действия лекарств (MOA).^175-178 Например, пространственная омика может исследовать внутриопухолевую гетерогенность, вариации лекарственных реакций, взаимодействие хозяин-патоген, биораспределение и фармакокинетику лекарств в тканях.^179-183, пространственное распределение мишеней лекарственных препаратов и терапевтическую эффективность. Важнейшее приложение заключается в раскрытии внутриопухолевой гетерогенности и клональной эволюции, способствующих лекарственной устойчивости и неудачам лечения.^184-186 Пространственное картирование геномных вариантов и транскриптомных состояний в микросредах опухоли визуализирует субклональные архитектурные паттерны и вариации лекарственной чувствительности,¹⁸⁷ что помогает понять развитие резистентности и разработать рациональные комбинированные терапии.¹⁸⁸ Помимо рака, пространственная омика оказывается ценной для изучения взаимодействия хозяина и патогена, определения тканевой микросреды в местах заражения и визуализации экспрессии генов патогенов.¹⁸⁹ Эти методы также помогают изучать развитие резистентности и разрабатывать комбинированные препараты для экспрессии.¹⁸⁹ Эти методы также обеспечивают преимущества для фармакокинетических исследований и исследований биораспределения, помогая в характеристике доставки, связывания и метаболизма лекарств в тканях-мишенях по сравнению с системной циркуляцией.¹⁹⁰

Локализация молекул лекарств и метаболитов в интактных тканях с субклеточным разрешением проливает свет на целевое распределение в сравнении с эффектами вне-целевого связывания и накопления,¹⁹¹ что облегчает уточнение структуры и активности и предиктивное моделирования свойств лекарств. Кроме того, пространственная омика открывает перспективы для применения в точной медицине благодаря картирования гетерогенности между пациентами и стратификации пациентов.^192-194 Анализ экспрессии биомаркеров в больных и здоровых тканях у отдельных пациентов позволяет проводить персонализированную диагностику и подбирать индивидуальную терапию на основе конкретных проявлений заболевания.^195,196

Методы пространственной омики обладают значительным потенциалом для оптимизации новых терапевтических модальностей, включая siRNA, инженерную клеточную терапию и конъюгаты антитело-лекарство (ADCs). Выяснение локализации и биораспределения, с помощью пространственной омики может решить проблемы доставки, ограничивающего эффективного нацеливания. Для терапии на основе siRNA основным препятствием является обеспечение доставки цитозольной siRNA для глушения генов. Пространственное картирование флуоресцентно меченых siRNA визуализирует внутриклеточный трафик и высвобождение, облегчая идентификацию оптимальных составов доставки.^197-199 Это позволяет проводить скрининг и выбирать средства доставки и модификаций для повышения биодоступности siRNA. Пространственное отслеживание продуктов клеточной терапии имеет решающее значение для оценки приживления, миграции и функциональной активации на целевых участках. Визуализация местоположения донорских клеток с помощью радиоизотопных или оптических меток картирует биораспределение и эффективность приживления in vivo.²⁰⁰ Пространственная омика также оценивает активацию иммунных клеток и их локализацию во время приживления и терапии с привлечением, например CAR-T. Для ADCs пространственное профилирование связывания антител и распределения лекарственной нагрузки имеет решающее значение для разработки эффективных терапевтических комбинаций.²⁰¹ Мультиплексная визуализация позволяет количественно оценить гетерогенность антигена-мишени в опухоли и совместную локализацию антитела и препарата для обеспечения доставки полезной нагрузки, облегчая скрининг антител и линкерных химиопрепаратов.

Тем не менее, сохраняются значительные трудности внедрения пространственной омики в фармацевтические исследования, что требует дальнейшего технологического и аналитического прогресса. К основным ограничениям относится высокая стоимость специализированного оборудования, такого как масс-спектрометры с визуализацией, мультиплексные ионно-лучевые платформы для визуализации и микроскопы для секвенирования, что ограничивает широкое распространение.²⁰² Работа с интактными образцами тканей создает проблемы контроля качества и стандартизации обработки для сохранения пространственной целостности.²⁰³ Для обработки и анализа данных также требуются сложные вычислительные конвейеры, которые могут стать узкими местами. Наконец, оценка результатов пространственной омики и обеспечение воспроизводимости остаются постоянными потребностями.²⁰⁵ В заключение следует отметить, что пространственная омика представляет собой перспективный путь для получения биологических знаний, которые позволят в будущем продвигать фармацевтические исследования и разработки (табл. 3). Однако для полной реализации их потенциала и преодоления существующих ограничений необходимы согласованные усилия по совершенствованию технологий, методов анализа и подходов к оценке. Улучшенная интеграция с дополнительными методами, такими как секвенирование одной клетки и вычислительное моделирование, позволит максимально увеличить влияние пространственной омики на открытие лекарств.

Наше основное внимание сосредоточено на применении и анализе SRT. Хотя мы не стали делать подробный обзор интеграции патологических изображений и других омических технологий, мы считаем, что объединение этих технологий будет способствовать решению проблем, связанных с пространственной транскриптомикой. Такая интеграция обещает улучшить наше понимание структурных изменений и стабильности, связанных с динамикой экспрессии генов, а также для выяснения эпигенетических механизмов, лежащих в основе изменений активности и идентичности клеток. По мере снижения стоимости технологий ожидается значительный рост объема данных SRT. Поэтому станет обычной практикой профилирование нескольких последовательных срезов, возможно, с использованием различных типов анализов. Такая эволюция позволит облегчить создание точных 3D-структур тканей. В дополнение к более точным пространственным осям будут включены временные измерения, что создаст новый уровень сложности. Навигация по сложным временным изменениям в количестве, состоянии и взаимодействии клеточных популяций представляет собой серьезную аналитическую проблему. Прогресс SRT-технологий способен значительно продвинуть наше понимание роли геномной информации в формировании плана развития жизни. Кроме того, это будет способствовать нашему пониманию четырехмерных динамических изменений в клеточных популяциях во время старения организма и пространственно-временной эволюции клеточных популяций в процессе болезни.