Benchmarking of computational methods for Spatial Transcriptomics Data analysis

Sammanfattning: Ökningen av sekvenseringsdata har skapat ett behov av att ta fram nya och flexibla analysmetoder för att kunna analysera datan. Många sekvenseringsteknologier har utvecklats genom åren, med olika syften och de är idag mer specialiserade. Kostnaden för att sekvensera har även sjunkit kraftigt och idag är kostnaden bara en bråkdel av kostnaden för 20 år sedan.   En av dessa heter Spatial Transcriptomics där mRNA kan analyseras med Spatiell upplösning. Experimenten skapar stora mängder data och analysmetoder som ursprungligen var utvecklade för scRNA-seq har nu ocksp blivit mer specialiserade mot spatial data. En analysmetod som använts länge är Seurat som utvecklades av Satija labbet under 2015. Men de senaste åren har även nya metoder utvecklats. Två av dessa, Giotto och Squidpy kommer att jämföras med Seurat som referens för att reda ut hur bra de presterar för Spatial Transcriptomics analyser. Datan som kommer användas kommer från hjärnvävnad från fyra olika möss som testades i NASAs RR3 mission. Två av mössen är av ”flight” skick och kommer jämföras med två stycken ”ground” kontroller. I data analysen kommer Quality Control, Normalization, Integration, Dimensional reduction, Clustering och Differential Expression analysis testas. Förutom de steg som testas i analysen kommer även parametrar som analysmetodernas flexibilitet, duration och prestation att testas och jämföras. Resultaten i detta projekt visade att Seurat presterar bättre än Giotto och Squidpy utifrån de parametrar som testas.