Nuovo modello AI potenzia l'analisi della trascrittomica spaziale

Introduzione alla trascrittomica spaziale

Le tecnologie di trascrittomica spaziale (ST) consentono di mappare l'espressione genica direttamente nei tessuti, mantenendo le coordinate spaziali dei campioni. Questo approccio supera la limitazione dei modelli di fondazione a cellula singola, i quali, pur catturando complesse interazioni geniche intracellulari, non considerano il segnale extracellulare che è cruciale per comprendere la comunicazione tra cellule.

Limiti dei modelli di cellula singola

I modelli di fondazione attuali si focalizzano esclusivamente sulle interazioni geniche all'interno della cellula, trascurando il ruolo dei ligandi rilasciati nell'ambiente extracellulari. Di conseguenza, le analisi basate su questi modelli non riescono a sfruttare le informazioni aggiuntive fornite dalle tecnologie ST, che includono sia l'espressione genica sia la posizione anatomica.

Nasce stFormer: un transformer per dati ST

Per colmare questa lacuna, ricercatori dell'Institute of Process Engineering della Chinese Academy of Sciences, della Shanghai University e della Shanghai Jiao Tong University hanno sviluppato stFormer, un modello transformer appositamente adattato ai dati di trascrittomica spaziale. Il modello utilizza una formula di cross‑attention biasata, capace di unificare diverse piattaforme ST indipendentemente dalla risoluzione e dalla copertura genica, e di apprendere sia da dati a risoluzione singola‑cellula sia da dataset a bassa risoluzione come Visium.

Pre‑addestramento su scala globale

Per il pre‑addestramento, il team ha raccolto circa 4,1 milioni di campioni spaziali da dataset pubblici umani Visium. Questa enorme collezione ha permesso a stFormer di apprendere una rappresentazione generica dell'espressione genica spaziale, che può poi essere trasferita a specifici set di dati ST per analisi mirate.

Prestazioni superiori rispetto a scFoundation

Secondo il professor YUAN Ye, autore corrispondente dello studio, “le espressioni di ligandi spaziali forniscono informazioni aggiuntive che migliorano le prestazioni rispetto al modello di fondazione a cellula singola”. StFormer supera scFoundation, lo stato dell'arte dei modelli a cellula singola, in diversi compiti:

• Clustering cellulare più accurato
• Correzione di batch più efficace
• Predizione del tipo cellulare più affidabile
• Predizione della funzione genica migliorata

Perturbazioni in silico di interazioni ligando‑recettore

Una caratteristica innovativa di stFormer è la capacità di effettuare perturbazioni in silico delle interazioni ligando‑recettore, ampliando il suo potenziale per lo studio di meccanismi biologici. I ricercatori hanno dimostrato l’utilità del modello in due casi di studio:

• Ricostruzione dell'architettura a strati di una regione corticale umana in sviluppo, evidenziando come i segnali spaziali guidino la differenziazione cellulare.
• Identificazione di geni presentanti antigeni che attivano l'immunità delle cellule T in un microambiente tumorale infiltrato da cellule immunitarie.

Applicabilità a diverse piattaforme ST

Dopo il pre‑addestramento, stFormer è stato testato su dati a risoluzione singola‑cellula e su dati a risoluzione “spot” (punti). Grazie al meccanismo di cross‑attention, il modello può adattarsi a piattaforme con diversa densità di campioni e con differenti set di geni catturati, rendendolo versatile per la comunità scientifica.

Impatto e prospettive future

Lo studio, pubblicato su Cell Reports Methods il 30 settembre, propone un'architettura capace di integrare informazioni spaziali in un modello di sequenza genica, aprendo la strada a una nuova generazione di strumenti per l'analisi trascrittomica. Si prevede che stFormer sarà adottato per esplorare processi biologici complessi, dalla neurogenesi allo studio di microambienti tumorali, facilitando la scoperta di nuovi bersagli terapeutici grazie alla sua capacità di modellare la comunicazione intercellulare in situ.

Riferimento bibliografico

Cao S, Yang K, Cheng J, et al. Stformer integrates spatial ligand signaling into a foundation model for spatial transcriptomics. Cell Rep Meth. 2026:101612. doi:10.1016/j.crmeth.2026.101612.