空間轉(zhuǎn)錄組學(xué)研究正在達(dá)到單細(xì)胞空間分辨率天通，數(shù)據(jù)通常來(lái)自多個(gè)組織切片÷祝《Genome biology》發(fā)表了一種計(jì)算方法BASS低淡，支持單細(xì)胞分辨率空間轉(zhuǎn)錄組學(xué)的多尺度和多樣本分析。BASS在單細(xì)胞尺度上進(jìn)行細(xì)胞類(lèi)型聚類(lèi)寻狂，在組織區(qū)域尺度上進(jìn)行空間結(jié)構(gòu)域檢測(cè)岁经，這兩項(xiàng)任務(wù)在貝葉斯層次結(jié)構(gòu)模型框架內(nèi)同時(shí)進(jìn)行。
BASS是什么蛇券？
目前用于細(xì)胞類(lèi)型聚類(lèi)和空間結(jié)構(gòu)域檢測(cè)的方法存在兩方面的局限性：1）所有現(xiàn)有方法僅執(zhí)行兩個(gè)分析任務(wù)中的一個(gè)缀壤，有效地使兩個(gè)不同解剖尺度的分析相互分離；2）所有現(xiàn)有方法都集中于分析從單個(gè)組織切片收集的空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)纠亚√聊剑基于此，開(kāi)發(fā)團(tuán)隊(duì)提出了一種新的計(jì)算方法BASS蒂胞，用于多尺度和多樣本分析图呢，克服了上述兩個(gè)限制。
BASS以聯(lián)合細(xì)胞類(lèi)型聚類(lèi)和空間結(jié)構(gòu)域檢測(cè)的形式進(jìn)行多尺度轉(zhuǎn)錄組學(xué)分析骗随，這兩項(xiàng)分析任務(wù)在貝葉斯分層建母蛑框架內(nèi)同時(shí)執(zhí)行。對(duì)于這兩種分析鸿染，BASS適當(dāng)考慮了空間相關(guān)性結(jié)構(gòu)指蚜，并將基因表達(dá)信息與空間定位信息無(wú)縫集成，以提高其性能牡昆。此外姚炕，BASS能夠進(jìn)行多樣本分析，聯(lián)合建模多個(gè)組織切片/樣本丢烘，促進(jìn)跨組織樣本的空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)整合柱宦。
BASS進(jìn)行多尺度和多樣本分析，以便在空間轉(zhuǎn)錄組學(xué)中進(jìn)行準(zhǔn)確的細(xì)胞類(lèi)型聚類(lèi)和空間域檢測(cè)播瞳。BASS接受來(lái)自多個(gè)組織切片的基因表達(dá)矩陣和空間位置信息的輸入掸刊，并在一個(gè)分級(jí)貝葉斯框架中對(duì)這兩種信息進(jìn)行建模。在分析中赢乓，BASS將組織上每個(gè)細(xì)胞的細(xì)胞類(lèi)型標(biāo)簽（c）和空間結(jié)構(gòu)域標(biāo)簽（z）作為潛在/隱藏的變量忧侧，并通過(guò)一個(gè)有效的推理算法推斷它們。分析后牌芋，BASS提供推斷出的細(xì)胞類(lèi)型集群標(biāo)簽蚓炬、空間結(jié)構(gòu)域標(biāo)簽和每個(gè)空間結(jié)構(gòu)域內(nèi)的細(xì)胞類(lèi)型比例作為輸出結(jié)果。
BASS的性能測(cè)試
開(kāi)發(fā)團(tuán)隊(duì)通過(guò)對(duì)三個(gè)數(shù)據(jù)集的全面模擬和應(yīng)用來(lái)說(shuō)明BASS準(zhǔn)確地揭示大腦皮層和下丘腦的轉(zhuǎn)錄組和細(xì)胞景觀的巨大優(yōu)勢(shì)躺屁。
?模擬數(shù)據(jù)
首先肯夏，開(kāi)發(fā)團(tuán)隊(duì)評(píng)估了不同方法在單個(gè)組織切片上進(jìn)行空間結(jié)構(gòu)域檢測(cè)的性能：在模擬中發(fā)現(xiàn)BASS在所有場(chǎng)景中都優(yōu)于HMRF、BayesSpace和SpaGCN犀暑。
接下來(lái)驯击，評(píng)估了不同方法在單個(gè)組織切片上細(xì)胞類(lèi)型聚類(lèi)的性能：在模擬中發(fā)現(xiàn)BASS在所有場(chǎng)景中都優(yōu)于SC3、Seurat和FICT耐亏，當(dāng)細(xì)胞類(lèi)型在組織上顯示空間模式時(shí)徊都，BASS優(yōu)于其他三種方法的優(yōu)勢(shì)尤其明顯。
最后評(píng)估了BASS在多個(gè)組織切片綜合分析中的性能：在所有模擬場(chǎng)景中所有三個(gè)分析任務(wù)（包括空間結(jié)構(gòu)域檢測(cè)暇矫、細(xì)胞類(lèi)型聚類(lèi)和跨域細(xì)胞類(lèi)型組成估計(jì)）的BASS性能隨著分析組織切片數(shù)量的增加而增加。對(duì)于細(xì)胞類(lèi)型聚類(lèi)择吊，Seurat的性能也隨著分析的組織切片數(shù)量的增加而增加袱耽，而SC3的性能先增加，然后隨著組織切片數(shù)量增加而降低干发。與單個(gè)組織切片分析類(lèi)似朱巨，當(dāng)細(xì)胞類(lèi)型在組織上顯示出空間模式時(shí)，BASS相對(duì)于其他方法在細(xì)胞類(lèi)型聚類(lèi)上的優(yōu)勢(shì)尤其明顯
除了上述的主要模擬枉长，開(kāi)發(fā)團(tuán)隊(duì)還探討了其他各種因素冀续，包括特定細(xì)胞類(lèi)型/空間結(jié)構(gòu)域的數(shù)量、稀有的細(xì)胞類(lèi)型必峰、以及隨機(jī)排除基因?qū)Σ煌椒ㄐ阅艿挠绊憽?/p>
?小鼠內(nèi)側(cè)前額葉皮層的STARmap數(shù)據(jù)
首先洪唐，開(kāi)發(fā)團(tuán)隊(duì)檢查了不同方法對(duì)空間結(jié)構(gòu)域檢測(cè)的結(jié)果：BASS檢測(cè)到的四個(gè)空間結(jié)構(gòu)域與預(yù)期的皮質(zhì)層高度相似（ARI=0.82）。相比之下吼蚁，HMRF（ARI=0.57）凭需、BayesSpace（ARI=0.26）和SpaGCN（ARI=0.36）檢測(cè)到的空間結(jié)構(gòu)域與基本事實(shí)基本不匹配问欠，方法的排名與模擬數(shù)據(jù)中觀察到的基本一致。此外粒蜈，BASS檢測(cè)到的四個(gè)皮質(zhì)層之間有很好的隔離顺献，它們之間有平滑的邊界，而B(niǎo)ayesSpace和SpaGCN檢測(cè)到的皮質(zhì)層在某種程度上交織在一起枯怖。值得一提的是注整，BASS的多樣本綜合分析能力進(jìn)一步提高了用于一個(gè)樣本分析的同一組織切片上的空間結(jié)構(gòu)域檢測(cè)精度。此外度硝，與我們?cè)诮裹c(diǎn)樣本中發(fā)現(xiàn)的情況類(lèi)似肿轨，BASS在單切片和多切片分析中都準(zhǔn)確地捕捉到了其他兩個(gè)切片的四個(gè)空間結(jié)構(gòu)域，比其他方法更準(zhǔn)確蕊程。這些結(jié)果證實(shí)了BASS在空間結(jié)構(gòu)域檢測(cè)和多樣本綜合分析方面的優(yōu)越性椒袍。
接下來(lái)檢驗(yàn)了不同方法細(xì)胞類(lèi)型聚類(lèi)的結(jié)果：?jiǎn)蝹€(gè)組織切片上與模擬一致，BASS實(shí)現(xiàn)了準(zhǔn)確的細(xì)胞類(lèi)型聚類(lèi)（ARI=0.44）藻茂，比Seurat（ARI=0.34）槐沼、SC3（ARI=0.37）和FICT（ARI=0.27）更準(zhǔn)確；BASS的多樣本分析也優(yōu)于其他兩種細(xì)胞類(lèi)型聚類(lèi)方法（Seurat和SC3）捌治。
?小鼠下丘腦的MERFISH數(shù)據(jù)
首先岗钩，開(kāi)發(fā)團(tuán)隊(duì)檢查了不同方法對(duì)空間結(jié)構(gòu)域檢測(cè)的結(jié)果：BASS檢測(cè)到與基礎(chǔ)組織學(xué)注釋高度相似的主要空間結(jié)構(gòu)域（ARI=0.58）。相比之下肖油，由HMRF（ARI=0.42）兼吓、BayesSpace（ARI=0.12）和SpaGCN（ARI=0.19）檢測(cè)到的空間結(jié)構(gòu)域通常與基本事實(shí)不匹配。重要的是森枪，利用BASS對(duì)五個(gè)相鄰空間轉(zhuǎn)錄組組織切片進(jìn)行多樣本綜合分析视搏，進(jìn)一步深入了解了下丘腦視前區(qū)的結(jié)構(gòu)組織，這是其他方法的單樣本分析無(wú)法實(shí)現(xiàn)的县袱。
接下來(lái)檢驗(yàn)了不同方法細(xì)胞類(lèi)型聚類(lèi)的結(jié)果：單個(gè)組織切片上與模擬一致浑娜，BASS實(shí)現(xiàn)了準(zhǔn)確的細(xì)胞類(lèi)型聚類(lèi)（ARI=0.46），比Seurat（ARI=0.37）式散、SC3（ARI=0.35）和FICT（ARI=0.34）更準(zhǔn)確筋遭。使用BASS的多樣本分析產(chǎn)生了與Bregma-0.14的單個(gè)切片分析類(lèi)似的細(xì)胞類(lèi)型聚類(lèi)準(zhǔn)確度（ARI=0.49）。使用Seurat的多樣本分析改進(jìn)了單個(gè)切片分析（ARI=0.42）暴拄，而使用SC3的多樣本研究與單個(gè)切片分析相比產(chǎn)生了較低的細(xì)胞類(lèi)型聚類(lèi)性能漓滔，這可能是由于其性能隨著細(xì)胞數(shù)量的增加而降低（如前所述，ARI＝0.33）乖篷。三種方法的多個(gè)切片與單個(gè)切片分析的比較與模擬結(jié)果一致响驴，突出了BASS的優(yōu)勢(shì)。
?人背外側(cè)前額葉皮層的10x Visium數(shù)據(jù)
在單個(gè)切片分析中撕蔼，BASS檢測(cè)到與大多數(shù)組織切片的基本組織學(xué)注釋高度相似的主要空間結(jié)構(gòu)域（跨切片的平均ARI=0.48）豁鲤，比HMRF（平均ARI=0.30）秽誊、BayesSpace（平均ARI=0.44）和SpaGCN（平均AR1=0.40）更高。重要的是琳骡，對(duì)來(lái)自每個(gè)成人供體的四個(gè)組織切片的綜合分析進(jìn)一步改進(jìn)了空間結(jié)構(gòu)域檢測(cè)（中值A(chǔ)RI＝0.51）锅论，并在四個(gè)切片上產(chǎn)生了一致的空間結(jié)構(gòu)域。用BASS進(jìn)行的多樣本綜合分析大大改善了這個(gè)特定樣本的空間結(jié)構(gòu)域的檢測(cè)日熬，并產(chǎn)生了與基礎(chǔ)注釋高度相似的皮質(zhì)層，而且在所有四個(gè)切片中都是一致的（ARI = 0.60）肾胯。在其他兩組組織切片中也可以進(jìn)行類(lèi)似的觀察竖席，證實(shí)了BASS在非單細(xì)胞分辨率空間轉(zhuǎn)錄組學(xué)中的空間結(jié)構(gòu)域檢測(cè)和多樣本綜合分析的性能。
在運(yùn)行時(shí)間和內(nèi)存使用方面敬肚，BASS與其他空間結(jié)構(gòu)域檢測(cè)方法和細(xì)胞類(lèi)型聚類(lèi)方法相當(dāng)毕荐。對(duì)于典型的10x Visium數(shù)據(jù)，大約5000個(gè)點(diǎn)艳馒，BASS需要大約8分鐘憎亚，并使用2GB內(nèi)存。此外弄慰，BASS的運(yùn)行時(shí)間和內(nèi)存使用量與數(shù)據(jù)的樣本大小呈線(xiàn)性關(guān)系第美，這使得BASS可擴(kuò)展到分析成千上萬(wàn)個(gè)細(xì)胞/點(diǎn)。
盡管BASS陆爽、HMRF和BayesSpace都采用了Potts模型什往，但BASS在Potts模型的基礎(chǔ)上引入了額外的分層建模結(jié)構(gòu)，以便進(jìn)行靈活和有效的空間轉(zhuǎn)錄組建模慌闭。與HMRF和BayesSpace相比别威，額外的分層建模結(jié)構(gòu)使BASS能夠?qū)臻g結(jié)構(gòu)域的組成做出根本性的不同和更有效的假設(shè)。BASS在分層建模結(jié)構(gòu)中引入了細(xì)胞類(lèi)型組成作為中間層驴剔，以明確地模擬不同細(xì)胞類(lèi)型的不同基因表達(dá)省古。因此，BASS能夠?qū)⒁粋€(gè)空間結(jié)構(gòu)域定義為具有獨(dú)特細(xì)胞類(lèi)型組成的區(qū)域丧失，以更好地捕捉每個(gè)空間結(jié)構(gòu)域內(nèi)的基因表達(dá)異質(zhì)性豺妓，并實(shí)現(xiàn)更好的性能。此外布讹，BASS根據(jù)現(xiàn)有數(shù)據(jù)推斷Potts模型中的空間相互作用參數(shù)β科侈，而HMRF和BayesSpace則將該參數(shù)改為用戶(hù)指定的值。BASS中對(duì)β的推斷也有助于提高其性能炒事。最后臀栈，從模型推理的角度來(lái)看，盡管BASS和BayesSpace都是基于貝葉斯框架挠乳，但BASS使用Swendsen-Wang算法對(duì)空間結(jié)構(gòu)域標(biāo)簽進(jìn)行采樣权薯，而B(niǎo)ayesSpace使用Gibbs采樣算法姑躲。Swendsen-Wang算法比Gibbs采樣算法有更好的混合率，因此也有助于BASS實(shí)現(xiàn)更好的準(zhǔn)確性盟蚣。
在必要的預(yù)處理步驟之后黍析，BASS也可以應(yīng)用于其他空間轉(zhuǎn)錄組學(xué)技術(shù)，例如HDST和Seq-Scope屎开。
BASS在未來(lái)有幾個(gè)重要的擴(kuò)展阐枣。例如開(kāi)發(fā)團(tuán)隊(duì)主要側(cè)重于使用基因表達(dá)數(shù)據(jù)作為輸入，但注意到BASS建难俪椋框架是靈活的蔼两，可以很容易地以額外特征輸入的形式納入組織學(xué)圖像的信息，以進(jìn)一步提高其性能逞度。另一個(gè)例子是用主成分分析（PCA）中歸一化基因表達(dá)矩陣的低維成分作為BASS的輸入额划，且BASS并不局限于PCA，它可以與其他降維方法配對(duì)档泽，以其低維分量作為輸入俊戳。
此外，BASS檢測(cè)到的準(zhǔn)確的細(xì)胞類(lèi)型和空間結(jié)構(gòu)域可以與許多其他分析工具配對(duì)馆匿，以進(jìn)一步改善各種下游應(yīng)用抑胎，揭示更多的生物學(xué)見(jiàn)解，例如與SpatialCorr配對(duì)渐北，以檢測(cè)組織區(qū)域內(nèi)或組織區(qū)域之間具有協(xié)調(diào)調(diào)節(jié)的基因圆恤。
BASS 是作為 R 包實(shí)現(xiàn)的， BASS 軟件以及用于重現(xiàn)本研究中呈現(xiàn)的所有分析結(jié)果的代碼可在 GitHub 和 Zenodo 上免費(fèi)獲得：?
>?https://github.com/zhengli09/BASS
> https://doi.org/10.5281/zenodo.6814510
首發(fā)公號(hào)國(guó)家基因庫(kù)大數(shù)據(jù)平臺(tái)
參考文獻(xiàn)
Li Z, Zhou X. BASS: multi-scale and multi-sample analysis enables accurate cell type clustering and spatial domain detection in spatial transcriptomic studies[J]. Genome biology, 2022, 23(1): 1-35.
圖片來(lái)源于Genome biology官網(wǎng)和參考文獻(xiàn)腔稀，如有侵權(quán)請(qǐng)聯(lián)系刪除盆昙。
