作者岸蜗，Evil Genius
今日參考文獻(xiàn)
中國人發(fā)表的，但是叠蝇，
這里多說一句璃岳，大家有條件多支持一下正版，盜版如果橫行悔捶，說實話沒有動力做下去了铃慷，這是大多數(shù)原創(chuàng)者的心聲，當(dāng)然了蜕该，我做學(xué)生的時候犁柜，也沒錢，資料很多也是盜版堂淡，工作了以后也買賣過盜版馋缅， 現(xiàn)在不過不再跟盜版打交道了，知道了其中的辛酸绢淀。
當(dāng)然了萤悴，量力而行，別跟我讀書似的一個月就500的補(bǔ)貼皆的，還非要買幾千上萬塊錢的資料覆履，家里條件很好，這可以祭务，否則就叫敗家内狗。
花了錢的，好好學(xué)習(xí)义锥，變成自己的柳沙，才是目的。
知識積累
- 對空間轉(zhuǎn)錄組而言拌倍，在固定位置獲取的相同大小的spot不能精確捕獲隨機(jī)位置的單細(xì)胞赂鲤，因此本質(zhì)上不能在單細(xì)胞水平上描述轉(zhuǎn)錄組（無論是10X Visium 、HD柱恤、華大数初、百邁客都有這樣的問題）。
最佳的解決方案：將空間轉(zhuǎn)錄組與其匹配的基于組織學(xué)圖像的形態(tài)對齊梗顺，恢復(fù)缺失的細(xì)胞泡孩，從而實現(xiàn)真正的單細(xì)胞水平和全片尺度的反卷積、卷積和聚類低分辨率和高分辨率spot寺谤。
- 目前可用的空間分辨轉(zhuǎn)錄組學(xué)技術(shù)有兩大類:(i)原位雜交或原位測序技術(shù)仑鸥，如seqFISH吮播、MERFISH、STARmap和FISSEQ;(ii)原位捕獲技術(shù)眼俊，如空間轉(zhuǎn)錄組學(xué)(ST)意狠、SLIDE-seq、ZipSeq和HDST疮胖。
- 迄今為止环戈，最主要的商用測序技術(shù)是10X Visium，這是一種基于spot的空間轉(zhuǎn)錄組學(xué)澎灸，在2018年從ST技術(shù)進(jìn)一步發(fā)展而來院塞。
基于spot的空間轉(zhuǎn)錄組學(xué)的主要技術(shù)限制之一在于spot的低分辨率，它通常覆蓋多個細(xì)胞击孩。目前的10X Visium spot尺寸為直徑55 μm迫悠，spot覆蓋細(xì)胞的數(shù)量根據(jù)生物組織的不同在1到30之間。為了提高分辨率巩梢，BayesSpace提出利用貝葉斯統(tǒng)計繪制空間轉(zhuǎn)錄組數(shù)據(jù)中的鄰域結(jié)構(gòu)创泄，將分辨率提高到subspot水平。xfuse的方法使用深度生成模型將空間轉(zhuǎn)錄組與組織學(xué)圖像數(shù)據(jù)相結(jié)合括蝠，可以在微米分辨率下表征解剖特征的轉(zhuǎn)錄組鞠抑。還有一些方法，如stLearn和SpaGCN忌警，將組織學(xué)圖像整合到空間上平滑基因表達(dá)搁拙，并改善了連續(xù)空間模式的聚類。除了計算加強(qiáng)之外法绵，空間轉(zhuǎn)錄組學(xué)技術(shù)的分辨率也在不斷提高箕速，例如，新版本的10X Visium HD朋譬，達(dá)到了2um 的精度盐茎。
然而，細(xì)胞大小的spot分辨率不等于單細(xì)胞水平徙赢。與單細(xì)胞測序技術(shù)不同的是字柠，相同大小和固定位置的spot無法精確捕獲實際大小不同、位置隨機(jī)的細(xì)胞狡赐，仍然可以部分覆蓋同時接近的多個細(xì)胞窑业，這使得基于spot的空間基因表達(dá)無論spot大小如何，本質(zhì)上都無法達(dá)到單細(xì)胞水平枕屉。這種單細(xì)胞水平的缺乏不能通過目前的方法來解決常柄，僅通過計算或技術(shù)上提高spot分辨率，阻礙了空間轉(zhuǎn)錄組學(xué)中單個細(xì)胞空間組織和細(xì)胞類型特異性基因表達(dá)變異的表征。此外西潘，在Visium平臺上铜异，在面積為6500 × 6500μm2的載玻片上分布了4992個直徑為55 μm的spot，兩個spot中心之間的距離為100 μm秸架，在~70%的面積內(nèi)未測量基因表達(dá)。
與新鮮冷凍組織相比咆蒿，F(xiàn)FPE組織的染色圖像更好地保留了細(xì)胞形態(tài)东抹，因此可以更準(zhǔn)確地分割細(xì)胞核。
將空間轉(zhuǎn)錄組數(shù)據(jù)與匹配的基于組織學(xué)圖像的細(xì)胞核形態(tài)信息相結(jié)合沃测，以彌合spot分辨率和單細(xì)胞水平之間的差距缭黔。
結(jié)果1、單細(xì)胞分辨率不等于單細(xì)胞水平
在10X Visium平臺上蒂破，將組織切片放置在載玻片上馏谨，在載玻片上用條形碼逆轉(zhuǎn)錄物(RT)引物在固定坐標(biāo)上分析相同大小的spot。在組織滲透過程中附迷，mRNA分子垂直向下擴(kuò)散到固體表面惧互，并在原位spot內(nèi)與RT引物局部雜交。進(jìn)一步提取cDNA mRNA復(fù)合物用于文庫制備和測序讀出喇伯。與單細(xì)胞RNA測序(scRNAseq)不同的是喊儡，單細(xì)胞技術(shù)可以精確地單獨捕獲每個細(xì)胞并描繪整個細(xì)胞的基因表達(dá)，而預(yù)定位置的spot極有可能同時部分覆蓋近距離的多個細(xì)胞稻据。然而艾猜，這些空間數(shù)據(jù)不能僅僅通過計算或技術(shù)上將spot大小縮小到單細(xì)胞大小來解決，即單細(xì)胞分辨率不是單細(xì)胞水平捻悯。
10X HD數(shù)據(jù)仍然有很大的機(jī)會部分覆蓋多個細(xì)胞（這個在課程上已經(jīng)講過了）匆赃。一個spot，即使在非常小的尺寸上今缚，仍然很可能同時覆蓋多個細(xì)胞算柳，每個細(xì)胞覆蓋的很小一部分，使得spot仍然捕獲細(xì)胞類型的混合基因表達(dá)荚斯。
因此埠居，spot分辨率和單細(xì)胞水平之間的上述差距提出了新的計算挑戰(zhàn):分別針對低分辨率和高分辨率spot的“單細(xì)胞反卷積”和“單細(xì)胞卷積”。其中的區(qū)別在于單細(xì)胞反卷積是指將大的低分辨率spot分裂成單個細(xì)胞事期，而單細(xì)胞卷積是指將相鄰的高分辨率spot覆蓋的小塊組裝成一個完整的單個細(xì)胞滥壕。
結(jié)果2、STIE工作流程概述
-
spot水平的基因表達(dá)和基于匹配組織學(xué)圖像的細(xì)胞核分割兽泣。
STIE的基本原理是绎橘，給定細(xì)胞類型轉(zhuǎn)錄組特征，可以從每個spot的基因表達(dá)估計細(xì)胞類型比例，同時也可以從組織學(xué)圖像中通過分割細(xì)胞/細(xì)胞核称鳞，提取細(xì)胞/細(xì)胞核形態(tài)特征涮较，將單個細(xì)胞聚類成groups，定位每個單個細(xì)胞并計算每個spot覆蓋的細(xì)胞比例冈止。STIE有兩種模式:(1)單細(xì)胞反STIE有兩種模式:(1)單細(xì)胞反卷積/卷積:根據(jù)細(xì)胞類型轉(zhuǎn)錄組特征狂票，STIE將低/高分辨率spot反卷積/卷積成單細(xì)胞。轉(zhuǎn)錄組特征可以從現(xiàn)有的不同組織的單細(xì)胞圖譜中定義熙暴。(2)單細(xì)胞聚類(Signature-free 單細(xì)胞反卷積/卷積):在沒有細(xì)胞類型轉(zhuǎn)錄組特征的情況下闺属，STIE可以在單細(xì)胞水平上進(jìn)行聚類。聚類算法建立在反卷積/卷積的基礎(chǔ)上:給定聚類數(shù)量和聚類轉(zhuǎn)錄組特征的初始值周霉，STIE迭代改進(jìn)基于單細(xì)胞反卷積/卷積的聚類特征掂器，并重新估計特征，直到迭代收斂俱箱。
最后国瓮，根據(jù)spot基因表達(dá)和細(xì)胞形態(tài)，被spot覆蓋的細(xì)胞被分配細(xì)胞類型狞谱，其中也包括那些位于捕獲區(qū)域的spot大小之外但位于擴(kuò)大的spot區(qū)域范圍內(nèi)的細(xì)胞乃摹。因此，STIE填補(bǔ)了spot間隙區(qū)域中缺失的細(xì)胞芋簿。
結(jié)果3峡懈、基因表達(dá)和核形態(tài)的整合使單細(xì)胞水平的反卷積/卷積在空間轉(zhuǎn)錄組學(xué)中得以實現(xiàn)（小鼠腦、乳腺）
結(jié)果4与斤、STIE將空間轉(zhuǎn)錄組聚類提高到單細(xì)胞水平
結(jié)果5肪康、STIE揭示了單細(xì)胞水平的空間轉(zhuǎn)錄組學(xué)見解
與單細(xì)胞基因表達(dá)譜不同，spot不能總是捕獲完整的細(xì)胞撩穿，導(dǎo)致spot邊界細(xì)胞的信息丟失或外部細(xì)胞的污染磷支。因此，提出了第一個問題:被spot捕獲的基因表達(dá)是來自spot內(nèi)的所有細(xì)胞食寡，還是來自spot外的更多細(xì)胞?
其次雾狈，與傳統(tǒng)的細(xì)胞型反褶積方法不同，STIE將細(xì)胞核形態(tài)信息與基因表達(dá)結(jié)合起來抵皱。
基于細(xì)胞類型反卷積的細(xì)胞類型共定位善榛。在給定基因表達(dá)的情況下，可以估計每個spot內(nèi)的細(xì)胞類型比例呻畸。
結(jié)果6移盆、STIE能夠研究空間分辨的細(xì)胞-細(xì)胞相互作用
最后，感受一下效果
圖像分割前
圖像分割后
必須要結(jié)合圖像分割
示例代碼在GitHub - zhushijia/STIE: Spatial Transcriptome Image and Expression integration enables single cell level spatial data analysis伤为。
