空间转录组数据中细胞类型去卷积的综合回顾

作者，Evil Genius

二十年快的很，弹指一挥间

单细胞空间也一样，17年到现在，弹指一挥间。

现有空间去卷积方法的总结，最好的仍然是cell2location.

Spatial niche

影响空间转录组反卷积结果的四个关键因素

1 参考数据的可靠性

参考数据的质量是基于参考方法性能的基石，其选择已被证实直接影响结果准确性。

核心要求：理想的参考数据应具备：

精确的细胞类型注释

足够的每个细胞类型的基因数量

全面的组织细胞类型覆盖

能够识别细胞类型间表达差异显著的特定基因

主要挑战：

某些空间特异性细胞类型（如小鼠大脑中特定神经元亚型）可能仅凭scRNA-seq数据难以识别或区分。

部分细胞类型（如软骨干细胞、单核细胞与树突状细胞）缺乏公认的标志基因。

测序深度直接影响基因检出数和细胞类型覆盖度，进而限制参考数据的可靠性。

细胞类型特异性基因的选择

这类基因是区分不同细胞类型的关键生物学标记，其选择需兼顾：

生物学特异性：基因应在特定细胞类型中高表达，在其他类型中低表达。

数据与背景依赖性：基因表达具有动态性和环境依赖性。例如，健康与疾病状态下同一细胞类型的表达模式可能存在显著差异，导致标志基因特异性丧失。

实践方法：常用工具（如Seurat的FindAllMarkers、Giotto的findMarkers_one_vs_all）通过差异表达分析筛选标志基因。也有专门工具（如scMAGS）为ST研究从scRNA-seq数据中筛选基因。

3 数据预处理的影响

预处理步骤（如标准化、转换、缩放）对反卷积计算具有关键影响。

方法差异：

部分方法（如DestVI、SPOTlight）将标准化过程直接整合到模型中。

部分方法（如Cell2location、Stereoscope）直接对原始计数数据进行建模，便于跨方法比较。

研究发现：某些情况下（如SCANPY的几种标准化方法对比），使用原始数据作为输入可能优于使用标准化后的数据，因为额外的标准化步骤可能导致性能下降。而另一些方法（如Tangram）则表明对数标准化能带来更好表现。

4 参考数据与ST数据间的批次效应

批次效应源于样本收集、处理、测序平台或分析流程的系统性差异，是整合分析的主要挑战之一。

影响：导致scRNA-seq与ST数据间特定基因表达不一致，降低从混合点中解析细胞类型的可靠性。

缓解策略：

数据调整：对scRNA-seq数据进行校正，以减少与ST数据间的分布差异。

模型整合：先进方法在建模中直接纳入批次效应校正：

RCTD：纳入点特异性效应、基因特异性平台随机效应和过度离散参数。

Cell2location：使用基因特异性缩放参数调整技术间的灵敏度差异。

现状与挑战：尽管现有方法已能部分改善准确性，但批次效应的内在复杂性和多面性使其仍是一个持续存在的难题，需要相关技术与方法的不断探索和优化。

生活很好，有你更好