目前scRNA-seq將每個轉錄物與單個細胞相關聯(lián)，但關于這些轉錄物在組織中的位置信息丟失了涂臣；相反的飞主，空間轉錄組學技術知道轉錄物的位置菱父，卻不知道是哪個細胞產生了轉錄物。因此商膊，scRNA-seq與空間轉錄組學的整合可以產生組織中細胞亞群的高分辨率圖譜售睹。
來自美國的科研人員在《Nature reviews genetics》發(fā)表綜述文章尊残，回顧了整合scRNA-seq與空間轉錄組學技術研究的嘗試和努力绍些，包括新興的整合計算方法捞慌，并提出了有效結合當前方法的途徑。
scRNA-seq+空間組學整合分析的研究進展
目前已有整合空間轉錄組學和scRNA-seq數據分析的研究柬批，提供了組織組成和功能的新見解啸澡。下表展示了相關的研究現(xiàn)狀，包括正常的組織穩(wěn)態(tài)和發(fā)育氮帐、腫瘤微環(huán)境嗅虏、其他病變和損傷的微環(huán)境等方向。
scRNA-seq+空間組學整合分析的計算方法
鑒于空間轉錄組學方法還不能在組織中產生深層單細胞分辨率的轉錄組圖譜上沐，能夠成功整合單細胞和空間轉錄組數據的分析將有助于理解細胞類型分布的結構以及構成這種結構的細胞間通訊的假定機制皮服。整合scRNA-seq和空間轉錄組數據有兩種主要方法：去卷積（Deconvolution）和映射（Mapping）。去卷積旨在根據單細胞數據参咙，從每個捕獲點的mRNA轉錄物的混合物中分離出離散的細胞亞群龄广；映射有兩方面：將指定的基于scRNA的細胞亞型定位到HPRI圖譜上的每個細胞和將每個scRNA-seq細胞定位到組織的特定生態(tài)位或區(qū)域。
去卷積：從單個捕獲點中分離出離散的細胞亞型昂勒。去卷積有兩種主要方法：推斷一個特定spot的細胞亞型比例和對一個特定的空間轉錄組spot進行評分蜀细，以確定它與單個細胞亞型的對應程度舟铜。
基于推理的去卷積技術涉及估計每個細胞類型在特定捕獲點的比例戈盈。這種形式的去卷積的方法之一是采用基于統(tǒng)計回歸的模型，各種線性回歸模型已被應用于解卷bulk RNA-seq混合物谆刨。
估計每個細胞類型在給定捕獲點中的確切比例的補充方法是通過貝葉斯統(tǒng)計框架塘娶，將概率分布與scRNA-seq數據的基因計數分布相適應。其中SPOTlight?的基準測試策略是最徹底的：評估細胞類型檢測的準確性痊夭、敏感性和特異性以及與真實情況的整體相關性刁岸。此外，通過HPRI可以獲得更高分辨率的亞型空間定位的物理驗證她我。
有許多基于富集分數的去卷積技術虹曙，例如Seurat 3.0和多模態(tài)交叉分析等迫横；解決數據集不匹配的去卷積技術策略，例如SpatialDWLS等酝碳。
映射：以單細胞分辨率創(chuàng)建空間分辨率的細胞類型映射矾踱。就像去卷積一樣，繪制圖譜的第一步是基于scRNA-seq數據建立細胞亞型疏哗。然后呛讲，映射的主要挑戰(zhàn)是將基于scRNA-seq的細胞類型從HPRI數據分配到每個細胞上。對14種已發(fā)表的算法進行系統(tǒng)評估返奉，這些算法通過基于聚類的分析實現(xiàn)了映射的批量校正策略贝搁，確定了三種最有效地將scRNA-seq數據與單細胞分辨率空間數據集成的算法：LIGER、Seurat Integration（來自Seurat 3.0）和Harmony芽偏。這三種算法最終都是使用不同的方法將聚類集成到低維空間中雷逆，通過對聚類的群體檢測得到細胞類型。
將空間數據納入細胞間通訊分析污尉。細胞亞群之間的相互作用介導組織內穩(wěn)態(tài)关面、發(fā)育和疾病∈幔空間轉錄組學數據非常適合于評估由scRNA-seq計算的配體-受體相互作用的可靠性等太。預測參與細胞間通訊的配體-受體相互作用對的標準算法主要是結合scRNA-seq數據和已知配體-受體相互作用的數據庫。有許多方法可以破譯這種細胞間通訊機制蛮放。例如Giotto缩抡、SpaOTsc算法等。此外包颁，空間數據可用于評估scRNA-seq圖譜重建和估算的配體-受體相互作用瞻想，例如novoSpaRc算法。
scRNA-seq+空間組學整合分析的未來方向
其他整合模式
目前娩嚼，空間轉錄組學技術主要集中在通過下一代測序（空間條形碼）或熒光標記（HPRI）來檢測mRNA轉錄蘑险。然而，空間轉錄組學實驗產生的組織切片的組織學圖像往往沒有被利用岳悟。目前已經開發(fā)了一些算法佃迄，例如基于大量的空間變異在組織結構水平上直觀表現(xiàn)的前提，一個研究小組開發(fā)了一種深度學習算法ST-Net贵少，可以預測每個空間條碼捕獲點疊加到組織結構上的102個基因的表達空間變化呵俏。此外，XFuse結合了空間條碼和組織學切片來預測單細胞分辨率的表達滔灶。這些深度學習模型的Saliency圖對于提取與轉錄組中單個基因的表達有關的新空間特征至關重要普碎。除了改進去卷積和繪制圖譜的算法外，一個需要關注的焦點是開發(fā)更多的深度學習模型录平，以幫助區(qū)分特定空間轉錄組的哪些特征是最有生物學意義的麻车。
定義三維空間轉錄組和實時細胞追蹤為未來的研究提供了新的領域缀皱。目前，對三維空間轉錄組的研究大多采用高密度切片动猬，通過三維單分子熒光原位雜交數據進行計算重建或推斷scRNA-seq細胞的位置唆鸡。STARmap和ExSeq是新開發(fā)的方法，將HPRI與完整組織轉化為水凝膠相結合枣察，以保留擴增子的 3D 排列争占。
雖然可以描繪出整個發(fā)育或組織發(fā)病的時間過程的空間轉錄組，但空間轉錄組技術并不能實時監(jiān)測細胞亞型的物理動力學序目。光學相干斷層掃描已被用于跟蹤腫瘤相關骨髓細胞的遷移臂痕，CellGPS已與正電子發(fā)射斷層掃描一起用于跟蹤攜帶放射性同位素的人類乳腺癌細胞。當與空間轉錄組學相結合時猿涨，這兩種實時跟蹤技術都可以應用于空間數據中感興趣的細胞類型握童，以闡明環(huán)境中的細胞動力學，例如癌癥免疫治療期間的轉移進展和免疫細胞動力學叛赚。
通過在空間上解析與分子生物學中心法則不可或缺的其他生物分子澡绩，超越時空轉錄組的解析，可以更深入地了解組織功能俺附。例如DBiT-seq可以在同一組織上對蛋白質和mRNA轉錄物進行空間解析肥卡。基因組序列的三維原位成像事镣、RNA的亞細胞分辨率以及核仁和RNA的三維染色質組織的同步成像都存在于單細胞尺度步鉴。它們有望應用于完整的組織，并徹底改變我們對中心法則機制如何在細胞的三維環(huán)境中發(fā)揮作用的理解璃哟，從而揭示發(fā)育軌跡和疾卜兆痢（即癌癥）的內部工作機制。
臨床相關性
對病變組織和健康組織進行比較分析的空間轉錄組學研究已經開始闡明預后随闪、最佳治療和潛在的治療靶點阳似。然而，這樣的研究在樣本量上是有限的铐伴，到目前為止還處于探索階段撮奏。為了加快數據生成的速度，分析可以集中在描述數量較少的驅動疾病相關表型的感興趣區(qū)域盛杰。除了描述患者預后的趨勢外挽荡，研究現(xiàn)有藥物藐石，尤其是重新利用的藥物即供，如何影響疾病驅動細胞類型的時空基因表達模式，可能有助于深入了解潛在的治療藥物于微。在這方面逗嫡，通過NASC-seq等方法監(jiān)測mRNA轉錄對刺激的反應可能有助于更好地理解藥物干擾如何影響病變細胞的空間轉錄組青自。一旦這些患者組織數據被整合，深度學習模型可以幫助識別與生存結果或治療反應最相關的空間表達模式驱证，潛在地突出有利的靶標延窜，以便在治療期間重現(xiàn)或補充干預節(jié)點。
隨著更多空間轉錄組學分析的進行抹锄，解開確定的逆瑞、與疾病相關的細胞類型及其基因模塊將變得越來越具有挑戰(zhàn)性。越來越多的細胞類型在組織中被識別和定位伙单，Seurat Integration获高、Harmony 和 LIGER 等工具可能會升級以整合不同實驗測定的數據，來確定是否在每個組織中始終觀察到特定的細胞類型吻育。此外念秧，整合每個器官系統(tǒng)和疾病的空間轉錄組學數據將是有價值的，例如SpatialDB數據庫布疼、Allen Brain Atlas等摊趾。最終，更明確的疾病驅動細胞類型的空間轉錄組游两，特別是對于細胞功能特別依賴于原位環(huán)境和鄰近細胞群的情況砾层，可能產生更有效的生物學機制以用于治療靶向。
檢測空間轉錄組的技術正在迅速發(fā)展贱案，因此沒有單一的空間轉錄組學技術適合所有應用梢为。根據所提出的生物學問題，實驗方法可以將任何空間轉錄組學方法與scRNA-seq結合起來轰坊。除了開發(fā)增強的方法外铸董，選擇整合這些數據的算法是至關重要的，因為空間轉錄組學方法還不存在以單細胞分辨率肴沫、scRNA-seq深度和整個轉錄組覆蓋率對組織進行空間解析的方法粟害。這種整合的方法可以在空間上繪制發(fā)育和疾病中的特定細胞亞群，并闡明這些細胞亞群協(xié)同形成組織表型的機制颤芬。
首發(fā)公號：國家基因庫大數據平臺
參考文獻
Longo, S.K., Guo, M.G., Ji, A.L. et al. Integrating single-cell and spatial transcriptomics to elucidate intercellular tissue dynamics. Nat Rev Genet (2021). https://doi.org/10.1038/s41576-021-00370-8
圖片均來源于參考文獻悲幅，如有侵權請聯(lián)系刪除。
