Design de Painel Espacial Direcionado para Xenium e CosMx: Um Guia Prático de Seleção de Genes a Partir de Dados de Referência de Células Únicas

Por que o Design de Painéis Merece o Seu Próprio Fluxo de Trabalho

A maioria das conversas sobre transcriptómica espacial direcionada definir como padrão as especificações da plataforma. Qual instrumento oferece maior resolução? A química preserva melhor o RNA sob diferentes condições de fixação? Estes são pontos de partida razoáveis, mas ignoram um gargalo mais consequente: uma vez escolhida a plataforma, ainda é necessário decidir quais 300 a 5.000 genes irão compor o seu painel personalizado.

A qualidade dessa decisão é muitas vezes a diferença entre um conjunto de dados que resolve claramente todos os tipos de células esperados e um que o deixa a questionar se um sinal ausente é biologia real ou uma falha de design. Imagine projetar um painel de 400 genes para um estudo de glioblastoma, apenas para descobrir após o primeiro piloto que os seus três principais marcadores de microglia são indetectáveis porque os seus transcritos são mais curtos do que o requisito de comprimento da sonda, e que as sondas de controlo negativo são indistinguíveis dos genes de housekeeping. Isso não é um problema da plataforma — é um problema de design do painel. E é muito mais comum do que a maioria dos investigadores espera.

Um painel bem estruturado, mesmo com uma fração dos genes disponíveis numa plataforma de transcriptoma completo, pode gerar dados espaciais focados e de alta confiança em centenas de amostras. A diferença reside num fluxo de trabalho de seleção sistemático: preparar os seus dados de referência adequadamente, organizar os genes em camadas funcionais com critérios de seleção claros, testar em seções piloto e iterar antes de se comprometer com uma coorte completa.

Para a maioria dos grupos de pesquisa, alta qualidade RNA-seq de célula única Os dados de referência já estão disponíveis — seja do mesmo tecido ou de atlas públicos. O desafio é traduzir esses dados de expressão numa lista de genes compatível com a plataforma que não sacrifique a resolução biológica em prol de um limite na contagem de genes.

Figura 1: Funil de Alocação de Slots de Genes. Uma ilustração de um funil tridimensional mostrando o processo de filtragem progressiva do transcriptoma completo (~20.000 genes) através da filtragem scRNA-seq, seleção de candidatos a marcadores e design do painel até o painel espacial final. Cada estágio de estreitamento representa uma decisão de filtragem chave que elimina genes pouco prováveis de ter um bom desempenho em plataformas espaciais direcionadas.

Começando com uma Referência Sólida de scRNA-seq

A precisão do seu painel depende diretamente da qualidade dos seus dados iniciais. Plataformas espaciais direcionadas pode medir apenas uma fração do transcriptoma, por isso cada slot de gene deve conquistar o seu lugar através de evidências claras. Um painel desenhado a partir de dados de célula única ruidosos ou mal anotados irá propagar esses erros para o experimento espacial.

Quando Tem os Seus Próprios Dados de scRNA-seq

Dados de células individuais de tecidos correspondentes ou adjacentes do mesmo sistema biológico são o padrão ouro. As suas anotações de agrupamento existentes e listas de genes diferencialmente expressos já foram validadas através de pipelines de análise independentes, o que significa que têm menos incertezas do que dados obtidos de fontes externas.

Antes de usar estes dados para o design do painel, três etapas de preparação são essenciais.

Primeiro, trabalhe a partir de uma matriz de expressão normalizada em vez de contagens brutas. As contagens brutas refletem a variação de célula para célula na profundidade de sequenciação, o que pode distorcer as classificações dos genes marcadores. Um gene que parece ser um marcador de topo simplesmente porque o seu tipo celular foi sequenciado de forma mais profunda é um falso positivo para fins de design de painel. Métodos de normalização como CPM, SCTransform ou a abordagem de deconvolução do scran removem esta variação técnica e revelam os padrões de expressão biológica que importam.

Em segundo lugar, verifique se as suas anotações de tipo celular são estáveis. Clusters definidos a baixa resolução ou validados apenas por um punhado de marcadores podem propagar erros de classificação para o painel. Uma rápida verificação cruzada com a expressão de marcadores canónicos — seja nos seus próprios dados ou em atlas publicados — deteta desvios de anotação antes que estes afetem a seleção de genes. Se um cluster mudar a sua identidade após a re-clusterização a uma resolução mais alta, os marcadores derivados desse cluster são pouco fiáveis.

Em terceiro lugar, construa uma lista de genes candidatos que filtre tanto a especificidade como a abundância de expressão. Um gene que é perfeitamente específico para um tipo celular raro, mas expresso com apenas um transcrito por célula em scRNA-seq, é improvável que produza um sinal detectável numa plataforma espacial direcionada, onde a sensibilidade por gene é inerentemente mais baixa do que sequenciação do transcriptoma completoDefinir um limiar mínimo de expressão média — tipicamente o 25º percentil de todos os genes detetados — remove estes candidatos de baixo rendimento logo no início do processo.

Quando Precisa de Usar Dados Públicos

Para projetos sem dados de scRNA-seq correspondentes — uma situação comum em coortes clínicas FFPE, modelos de doenças raras ou organismos não modelo — recursos públicos podem preencher a lacuna. Vários atlas curados agora cobrem os principais tecidos humanos e de ratos com resolução suficiente para o design de painéis:

A Tabula Sapiens fornece transcriptomas de células únicas de 24 tipos de tecidos humanos de doadores individuais, preservando a comparabilidade entre tecidos correspondentes aos doadores.

O Programa de Atlas Biomolecular Humano (HuBMAP) oferece dados de células únicas registados espacialmente com metadados anatómicos detalhados, tornando-o particularmente útil para projetos que necessitam tanto do tipo celular como do contexto espacial desde o início.

O Atlas Cerebral Allen e os seus derivados cobrem tanto o cérebro humano como o de rato com uma resolução fina de tipos celulares, incluindo subtipos de neurónios inibitórios e excitatórios que são difíceis de distinguir com marcadores genéricos.

Para pesquisas de marcadores mais simples, bases de dados como CellMarker 2.0 e PanglaoDB compilam marcadores de tipos celulares publicados em centenas de contextos de tecidos e doenças. Estes são úteis para a nomeação inicial de candidatos, mas devem ser cruzados com pelo menos uma fonte adicional, uma vez que a especificidade dos marcadores pode variar com o estado da doença, o método de processamento do tecido e a química da plataforma.

A Arquitetura de Painel em Quatro Camadas

Um erro comum no design de painéis é tratar a lista de genes como uma coleção plana de candidatos interessantes. Uma abordagem mais robusta é organizar os genes em quatro camadas funcionais, cada uma com um propósito distinto e a sua própria lógica de seleção. Organizar os genes nessas quatro camadas transforma o design do painel de um exercício reativo de preenchimento de slots para um processo proativo e orientado por hipóteses. Aqui está como cada camada deve ser construída.

Camada 1: Marcadores de Tipo Celular — A Fundação Inabalável

Cada tipo de célula esperado no seu tecido deve ser representado por pelo menos três a cinco genes marcadores bem validados. Estes marcadores formam a espinha dorsal do painel porque determinam se o interpretação de dados espaciais pode ser fundamentada na composição do tipo celular, que é o ponto de partida para a maioria das análises subsequentes.

Os critérios de seleção para marcadores de Camada 1 incluem três verificações.

Especificidade entre fontes independentes. Um gene que aparece como um dos principais marcadores nos seus dados de scRNA-seq, mas que não é reportado no CellMarker 2.0 ou PanglaoDB para o mesmo tecido, deve ser tratado com cautela. Idealmente, cada marcador deve ser confirmado em pelo menos dois conjuntos de dados independentes antes de ser incluído no painel. Um marcador que não passa nesta verificação de validação cruzada frequentemente acaba por ser específico do conjunto de dados em vez de biologicamente universal.

Deteção consistente. Os genes nos 200 transcritos mais abundantes na sua referência têm uma alta probabilidade de produzir um sinal espacial robusto. Os marcadores na metade inferior da distribuição de expressão apresentam um risco maior de falhar na plataforma espacial, onde a sensibilidade por gene é inferior à da sequenciação do transcriptoma completo. Se um marcador tiver uma classificação alta por mudança relativa, mas baixa por expressão absoluta, considere adicionar uma cópia de segurança.

Confirmação ortogonal. Se imagens de imuno-histoquímica ou RNAscope publicadas confirmarem o padrão espacial esperado para um marcador candidato, isso é uma forte evidência de suporte. Para candidatos sem quaisquer dados de validação espacial, considere adicioná-los a um painel piloto em vez de os comprometer com a lista final de genes. Dados piloto revelarão rapidamente se o marcador produz a distribuição espacial esperada.

Para um tecido típico com oito a doze tipos celulares esperados, a Camada 1 requer aproximadamente 30 a 60 genes. Numa estudo de tumor onde macrófagos, monócitos e células dendríticas precisam ser todos distinguidos, a Camada 1 pode precisar de oito a dez marcadores apenas para o compartimento mieloide. O princípio chave é cobrir todos os tipos celulares esperados com redundância, e não maximizar o número de marcadores por tipo celular.

Camada 2: Marcadores de Estado e Funcionais

Para além da identificação de tipos celulares, a maioria dos estudos espaciais visa capturar processos biológicos — ativação imunitária, reprogramação metabólica, resposta hipóxica ou sinalização de desenvolvimento. Os genes da camada 2 abrangem estas dimensões funcionais.

A composição exata da Camada 2 depende do seu estudo. Para um projeto sobre o microambiente tumoral, os marcadores relevantes podem incluir genes de resposta ao interferão-gama (IFNG, STAT1, IRF1), marcadores de exaustão de células T (PDCD1, LAG3, TOX) e fatores induzíveis por hipoxia (HIF1A, VEGFA). Para um estudo sobre neurodegeneração, a lista muda para enzimas de processamento de amiloide (BACE1, PSEN1), proteínas sinápticas (SYN1, DLG4) e marcadores de reatividade de astrócitos (GFAP, VIM).

Uma diretriz prática de alocação é reservar aproximadamente um terço do seu orçamento total de genes para a Camada 2. Ajuste a proporção com base no seu objetivo principal: uma divisão de 70:30 para projetos de mapeamento de tipos celulares, ou 50:50 para estudos focados em mecanismos. O importante é decidir a proporção antes de iniciar a seleção, em vez de adaptar marcadores funcionais para os espaços que restam após a escolha dos marcadores de tipo celular.

Camada 3: Controles Técnicos — O Mais Ignorado Essencial

Os controlos positivos devem incluir dois a três genes de housekeeping — GAPDH, ACTB e B2M são escolhas padrão — que são expressos de forma consistente em todos os tipos celulares esperados. Estes controlos desempenham três funções: confirmam que a secção de tecido contém RNA detectável, fornecem um ponto de referência entre amostras para normalizar a intensidade do sinal e sinalizam amostras com degradação generalizada de RNA quando o seu sinal cai abaixo de um intervalo esperado.

Os controlos negativos devem incluir de cinco a dez sequências de sondas não direcionadas, projetadas para não hibridizar com qualquer transcrito conhecido na espécie. Estas sondas quantificam a autofluorescência de fundo e a ligação não específica. Sem elas, qualquer sinal com padrão espacial poderia ser biologia real ou um artefato de coloração. O custo orçamental genético dos controlos negativos é negligenciável — tipicamente de cinco a dez sondas de várias centenas ou milhares — mas o seu valor para a interpretabilidade dos dados é enorme.

Camada 4: Reservar Slots

Nenhum painel sobrevive ao primeiro contacto com tecido real sem alterações. Reserve cinco a dez por cento do seu orçamento genético para marcadores identificados durante os testes piloto. Estes podem incluir substituições para marcadores da Camada 1 que não conseguiram produzir sinal, alvos genéticos recentemente publicados na sua área, ou genes que surgiram como inesperadamente informativos a partir dos dados piloto.

Uma abordagem prática é preencher a Camada 4 com candidatos de substituição durante a síntese de sondas, e depois atualizar a composição antes de encomendar sondas para a coorte principal. Incorporar este buffer no design inicial evita o cenário dispendioso de descobrir uma lacuna crítica após a síntese das sondas estar completa.

Figura 2: Arquitetura de Painel de Quatro Camadas — Anéis Concêntricos. Um diagrama em secção transversal mostrando quatro anéis aninhados que representam as camadas funcionais de um painel espacial direcionado. O anel mais interno (Marcadores de Tipo Celular) forma o núcleo, rodeado por Marcadores de Estado e Funcionais, Controles Técnicos, e um anel externo de Slots de Reserva com um contorno tracejado que indica flexibilidade. Cada camada é codificada por cores e rotulada com a sua alocação orçamental genética recomendada.

Maximização da Resolução Dentro de um Orçamento Genético Fixo

Cada plataforma espacial direcionada impõe um limite superior rigoroso ao número de genes que podem ser medidos simultaneamente. Com o Xenium a suportar até 5.000 e o CosMx até 6.000, cada escolha de gene compete por um slot finito. Maximizar a resolução biológica dentro destes limites requer duas estratégias: eliminar redundâncias e projetar marcadores de reserva para tipos celulares críticos.

Evitando a Redundância de Famílias de Genes

Uma questão frequentemente negligenciada é a inclusão de múltiplos membros da mesma família de genes que transportam informações espaciais quase idênticas. Vários genes de histonas, paralogos do HLA ou membros da família da queratina podem apresentar padrões de expressão altamente correlacionados entre os tipos celulares. Incluir todos eles consome vagas sem adicionar valor biológico.

Uma rápida análise de correlação nos seus dados de referência de scRNA-seq pode identificar estes candidatos redundantes. Quando dois genes mostram uma correlação de Pearson acima de 0,9 entre os tipos celulares, reter apenas aquele com maior expressão ou anotação espacial mais específica é geralmente suficiente. Este único passo pode recuperar de 5 a 15 por cento do seu orçamento genético para marcadores mais informativos.

Estratégia de Marcador de Backup

Para os tipos de células que são críticos para o seu estudo, designe dois marcadores de reserva além do marcador primário. Se o primário falhar devido à degradação de RNA, baixa expressão numa região tecidual específica ou limitações no design da sonda, os marcadores de reserva garantem que o tipo celular continue a ser detectável.

Esta redundância é especialmente importante para amostras FFPE, onde a fragmentação do RNA pode reduzir a eficiência de deteção para sondas mais longas. Um marcador com um comprimento de transcrito inferior a 2 quilobases tem mais probabilidade de sobreviver ao processamento FFPE do que um que exceda 3 quilobases.

Figura 4: Gráfico Radar do Orçamento de Gene da Plataforma vs. Resolução. Um gráfico radar a comparar Xenium, CosMx e GeoMx em cinco eixos de desempenho: orçamento genético, resolução espacial, compatibilidade com FFPE, capacidade de processamento e complexidade de análise. O gráfico permite uma comparação visual direta das compensações entre plataformas para projetos de design de painéis direcionados.

Quando uma Corrida de Descoberta Faz Sentido Primeiro

Para tipos de tecido com dados de referência espacial limitados, uma plataforma espacial de transcriptoma completo, como o Visium ou o Visium HD, pode servir como um poderoso precursor para design de painel direcionadoA cobertura do transcriptoma completo oferece uma visão imparcial da expressão génica em diferentes regiões do tecido, revelando gradientes espaciais e enriquecimentos regionais que os dados de célula única podem não captar.

Este fluxo de trabalho em cascata — fase de descoberta Visium, seguida por painel direcionado a otimização, seguida pela análise de grandes coortes com Xenium ou CosMx — é especialmente eficaz para três cenários.

• Modelos de doenças novos ou tecidos engenheirados onde os padrões de expressão espacial não foram descritos e os marcadores publicados são pouco fiáveis. Nesses contextos, tentar desenhar um painel direcionado apenas a partir de dados de scRNA-seq corre o risco de perder genes informativos espacialmente que só se tornam aparentes no contexto do tecido.
• Estudos de coorte grandes em que o custo de realizar de 100 a 200 amostras numa plataforma direcionada é justificado apenas após o conjunto de genes ter sido validado num conjunto de descoberta menor. Um piloto do Visium em 4 a 6 secções normalmente custa uma fração de uma coorte direcionada completa e pode prevenir o custo muito maior de descobrir uma seleção de marcadores inadequada a meio do processamento das amostras.
• Projetos que combinam descoberta e validação dentro de um único orçamento de subsídio, onde o investimento inicial em Visium reduz o risco de escolher os genes errados para a fase alvo. A decisão de incluir uma fase de descoberta deve ser tomada antes do início do design do painel, e não após um primeiro piloto alvo falhado.

Um exemplo concreto: um investigador que estuda a infiltração imunitária num modelo transgénico de cancro do pâncreas, sem dados espaciais publicados, realiza duas secções de Visium HD e identifica 150 genes regionalmente enriquecidos que estão ausentes de qualquer base de dados pública. Esses 150 genes tornam-se o núcleo de um painel Xenium personalizado aplicado a 80 ratos. Sem a fase de descoberta, esses genes informativos em termos espaciais nunca teriam sido incluídos.

Figura 3: Fluxo de Trabalho do Cascade Visium para Xenium. Um pipeline horizontal de três etapas mostrando o fluxo de trabalho sequencial desde a descoberta do transcriptoma completo Visium, passando pelo design e otimização do painel, até a perfuração direcionada de coorte completa com Xenium. Cada etapa é anotada com números de amostras e pontos de decisão chave, ilustrando como as descobertas da fase de descoberta informam diretamente a composição do painel direcionado.

Escolhendo Entre Painéis Pré-Desenhados e Personalizados

Tanto o Xenium como o CosMx oferecem painéis pré-desenhados que cobrem tipos de tecido comuns. Os painéis Xenium Multi-Tissue e Human Brain incluem entre 250 a 500 genes. Os painéis de Caracterização Celular Universal do CosMx servem a um propósito semelhante.

Os painéis pré-desenhados são convenientes e validados em múltiplos tipos de tecido. A sua limitação é a amplitude em detrimento da profundidade. Se o seu estudo se concentra numa via específica ou mecanismo de doença sub-representado no conjunto pré-desenhado, um design de painel personalizado irá fornecer dados mais relevantes.

Um caminho intermédio rentável: utilizar um painel pré-desenhado para a caracterização inicial de viabilidade, e depois desenhar um painel personalizado para a coorte principal com base nas descobertas. Esta abordagem em duas fases garante que o painel personalizado se concentre apenas nos genes que são relevantes para a sua questão específica, enquanto o painel pré-desenhado minimiza os riscos da fase de descoberta.

Uma consideração adicional é o ciclo de atualização. Os painéis pré-projetados são atualizados periodicamente pelo fabricante — novas versões podem incluir designs de sondas melhorados ou uma cobertura genética expandida. Se o cronograma do seu estudo abranger várias versões de painéis, considere o custo da revalidação ao mudar entre iterações pré-projetadas. Os painéis personalizados, uma vez validados, permanecem estáveis ao longo de todo o projeto, o que simplifica a comparação de dados longitudinais.

Validar o Seu Painel Antes de Escalar

Realizar um piloto em uma ou duas seções de tecido representativas é o investimento de maior retorno no processo de design do painel. Nenhuma quantidade de análise in silico pode prever como cada gene irá se comportar em tecido fixo sob o seu protocolo específico. Um único piloto geralmente custa uma fração de um experiência de coorte completa e pode prevenir o custo muito maior de descobrir, depois de todos os amostras terem sido processadas, que um tipo celular chave nunca foi detetado.

Métricas de QC do Piloto

Após a execução do piloto, avalie três métricas.

• Taxa de deteção de genes. Que fração dos genes do painel produz sinal acima do limiar de controlo negativo? Uma taxa abaixo de 70 por cento indica um desempenho fraco da sonda, baixa abundância de transcritos ou qualidade inadequada do RNA.
• Qualidade da segmentação celular. Tecidos densos, regiões ricas em lípidos e amostras autofluorescentes podem degradar a precisão da segmentação. Inspecione manualmente os limites em várias regiões de tecido.
• Relação sinal-para-fundo. Divida a intensidade média do controlo positivo pela intensidade média do controlo negativo. Uma relação abaixo de três sugere que o ensaio não está a distinguir o sinal real do fundo.

Árvore de Decisão do Piloto

Três resultados são possíveis após o piloto.

1. Prossiga. Todos os tipos de células detectáveis, taxa de deteção acima de 70 por cento, controlos dentro da faixa. O painel está pronto para o coorte completa.
2. Reveja e repilotar. Tipos de células em falta ou deteção deficiente em regiões específicas. Substitua marcadores com falhas e execute um segundo piloto.
3. Reavalie. Se a qualidade do RNA ou a compatibilidade da plataforma forem limitantes de forma fundamental, reconsidere a preparação da amostra ou a escolha da plataforma antes de investir mais.

Figura 5: Árvore de Decisão do Piloto. Um fluxograma de decisão vertical com três resultados terminais: prosseguir para a coorte completa, rever e re-pilotar, ou reavaliar a plataforma ou a preparação da amostra. Cada ramo é acionado por um resultado específico de QC — taxa de deteção acima ou abaixo de 70 por cento, segmentação celular bem-sucedida ou falhada, e razão sinal-para-fundo acima ou abaixo de três.

Design de Painel Sem Dados de scRNA-seq

Quando não há uma referência de célula única disponível, o design do painel torna-se mais difícil, mas não impossível.

• Catálogos de marcadores públicos. PanglaoDB e CellMarker 2.0 fornecem listas curadas inter-relacionadas entre estudos.
• Curadoria baseada em literatura. Explore dados publicados de RNA-seq em massa ou proteómica para marcadores candidatos no seu tecido.
• Estratégia de piloto em pequeno painel. Começar com 30 a 50 genes definidores de linhagem, pilotar numa secção, avaliar a detectabilidade e expandir de forma iterativa. Mais lento, mas reduz o risco de se comprometer com um grande conjunto de genes não testados.

Figura 6: Comparação de Fontes de Dados — Três Caminhos para o Design do Painel. Um layout de comparação em três colunas que mostra a qualidade dos dados, o esforço de preparação e os melhores cenários de uso para cada uma das três fontes de dados de referência: dados scRNA-seq correspondentes, dados de atlas públicos e cenários sem dados de referência de célula única.

Erros Comuns no Design de Painéis

Todos os marcadores de um único cluster de referência. Uma lista de genes derivada inteiramente de um único cluster de scRNA-seq corre o risco de viés espacial — esse cluster pode refletir um artefato de dissociação ou uma subpopulação rara que não é representativa de todo o tecido. Faça uma referência cruzada dos marcadores com pelo menos duas fontes independentes, idealmente uma de um laboratório ou plataforma diferente.

Genes expressos de forma baixa no painel. Alto fold-change mas contagens absolutas baixas equivalem a um sinal espacial fraco. Substitua qualquer marcador abaixo do 25º percentil de expressão nos seus dados de referência por uma alternativa mais abundante. Uma solução comum é verificar se o gene foi detetado com sucesso por RNAscope ou smFISH no mesmo tipo de tecido — dados de deteção positiva são um forte indicador de compatibilidade com a plataforma espacial.

Ignorando as restrições do FFPE. O FFPE reduz a eficiência de deteção para transcritos mais longos. Priorize transcritos com menos de 2 kb e inclua controlos adicionais de housekeeping. Um marcador que funciona bem em tecido fresco pode falhar completamente em FFPE. Ao planear para FFPE, faça uma rápida previsão de desempenho da sonda utilizando o pipeline de design do fabricante antes de se comprometer com a composição final do painel.

Ignorar controlos negativos. Sem eles, cada sinal pode ser autofluorescência ou ligação não específica. Não é negociável.

Com vista para o transição de bioinformáticaA lista de genes que você criar deve ser compatível com o pipeline de análise que processará os dados espaciais. Se o seu painel incluir genes com anotações ambíguas, coordenadas genómicas sobrepostas ou variantes de splicing mal caracterizadas, estes podem ser filtrados durante o alinhamento ou quantificação, desperdiçando efetivamente esses slots. Verifique os identificadores de genes em relação à anotação do genoma de referência da plataforma antes de finalizar o painel.

Tratar o design do painel como um exercício de passagem única. O erro mais caro. Deve-se sempre incluir uma fase piloto com um claro ponto de decisão antes de se comprometer com um grande grupo. Um piloto de duas semanas pode poupar meses de retrabalho num experimento falhado de 200 amostras.

Como a CD Genomics Apoia o Design de Painéis Alvo

O design de um painel espacial direcionado envolve múltiplos passos especializados: análise de dados de scRNA-seqseleção de genes marcadores, design de sondas específicas para a plataforma, execução piloto e QC iterativo. Cada etapa tem os seus próprios modos de falha — um identificador de gene mal especificado, uma correlação negligenciada entre dois membros da família, uma secção FFPE não pilotada — que podem degradar silenciosamente o conjunto de dados final.

A CD Genomics oferece suporte de ponta a ponta em todo este fluxo de trabalho, desde o processamento de dados de referência e estratificação de genes até a coordenação de sondas personalizadas, testes piloto e transcriptómica espacial de coorte completaQuer esteja a começar com os seus próprios dados de células únicas, a trabalhar a partir de atlas públicos ou a construir um painel a partir de marcadores publicados, a nossa equipa pode ajudar a traduzir a sua questão de investigação em um conjunto de genes focado e rentável que preserva a resolução do tipo celular e o sinal biológico. Contacte a nossa equipa para discutir o seu projeto de design de painel, os requisitos de dados de referência e a estratégia piloto — podemos ajudá-lo a passar de uma lista de genes para um painel espacial validado num fluxo de trabalho estruturado e repetível.

Perguntas Frequentes

Q1: Eu só tenho dados do Visium, não de scRNA-seq. Posso ainda assim desenhar um painel Xenium?
Sim. Os dados de transcriptoma completo do Visium podem substituir o scRNA-seq, desde que os spots tenham uma resolução aproximada do tipo celular. Para spots maiores, ferramentas como cell2location ou RCTD estimam proporções de tipos celulares e orientam a seleção de marcadores.

Q2: Qual é a principal diferença entre os fluxos de trabalho de design de painel do Xenium e do CosMx?
Os princípios de design são semelhantes, mas os limites de tamanho do painel e a química da sonda diferem. O Xenium suporta até 5.000 genes com sondas in situ fixas. O CosMx suporta até 6.000 com química modular. A arquitetura de quatro camadas aplica-se a ambos.

Q3: Que proporção de marcadores de tipo celular para marcadores de via recomenda?
60:40 para estudos de descoberta; 40:60 para projetos focados em mecanismos. Os controlos técnicos são separados.

Q4: Posso adicionar genes após a síntese da sonda?
Sim, mas encomendar sondas adicionais aumenta os custos e o tempo de resposta. A estratégia de reserva da Camada 4 minimiza adições durante o projeto.

Q5: O tecido FFPE requer um design de painel especial?
Sim. A fragmentação FFPE reduz a eficiência de deteção para transcritos mais longos. Priorize genes mais curtos, inclua controlos adicionais e faça sempre um teste piloto antes de escalar.

Q6: Como posso saber se o meu painel está pronto antes de realizar o experimento completo?
A fase piloto é projetada para responder a isso. Se a sua taxa de deteção de genes exceder 70 por cento, a sua razão sinal-ruído estiver acima de três e todos os tipos celulares esperados forem identificáveis nos dados piloto, o seu painel está pronto para a coorte completa. Se algum destes critérios não for cumprido, utilize a árvore de decisão na seção de validação para determinar se deve rever o painel ou reavaliar a escolha da plataforma.

Referências

1. Milholland B, et al. Seleção de painel genético para transcriptómica espacial direcionada. Genome Biol. 2024;25:31. doi: 10.1186/s13059-024-03174-1
2. Van den Berge K, et al. Spapros: seleção de conjuntos de sondas para transcriptómica espacial direcionada. Métodos Nat. 2024;21:2260-2270. doi: 10.1038/s41592-024-02496-z
3. Tian L, et al. Seleção de genes preditiva e robusta para transcriptómica espacial. Nat Commun. 2023;14:2091. doi: 10.1038/s41467-023-37392-1
4. Janesick A, et al. Avaliação sistemática de plataformas de transcriptómica espacial de imagem em tecidos FFPE. Nat Commun. 2025;16:64990. doi: 10.1038/s41467-025-64990-y

As aplicações descritas são apenas para uso em investigação. Não são para uso em procedimentos de diagnóstico. (RUO)