作者，追風少年i
馬上國慶了甩十，祝大家節(jié)日快樂，我們這一篇進行分析合集
包括三個部分（均是我之前所寫）
- 10X空間轉錄組數據分析重點梳理
- 時空CNV分析導論
- 10X空間轉錄組之免疫組庫分析
第一部分：10X空間轉錄組數據分析重點梳理
空間轉錄組學 (ST) 技術正迅速成為單細胞 RNA 測序 (scRNAseq) 的延伸勇哗，具有以接近單細胞分辨率分析基因表達的潛力杠茬，同時保持組織內的細胞組成琳拨。同時擁有表達譜和組織空間信息使研究人員能夠更好地了解細胞相互作用和異質性瞭恰，從而深入了解傳統(tǒng)測序技術無法實現的復雜生物過程。ST技術生成的數據本質上是嘈雜的狱庇、高維的惊畏、稀疏的和多模態(tài)的（包括組織學圖像、計數矩陣等）密任，因此需要專門的軟件來進行深入分析颜启。目前很多研究人員仍然借助單細胞的分析軟件來分析空間轉錄組，但事實證明這些工具不足以分析復雜的 ST 數據集浪讳，這一篇我們就來對空間轉錄組的分析進行梳理缰盏。
第一部分，Spatial Reconstruction
這部分是空間轉錄組的基礎分析淹遵，也是第一步和獲取基礎信息的一步口猜，空間轉錄組數據矩陣的降維、聚類透揣、差異济炎、富集的基礎分析，通常還是要借助Seurat的基礎流程淌实，于此同時冻辩，scanpy、novoSpaRc拆祈、Giotto恨闪、STutility等分析軟件也具有空間轉錄組基礎分析的示例教程。關于第一部分放坏，也要強調一下空間轉錄組和單細胞轉錄組基礎分析之間的不同咙咽，總結如下：
第二部分，Spot Deconvolution
關于單細胞空間聯(lián)合的分析方法目前已經非常多淤年，但是更為重要的是要有匹配的單細胞空間數據钧敞，方法運用的時候需要大家有所選擇，總結如下：
| 軟件 | 發(fā)表文獻麸粮、雜志及影響因子 | 參考文章 |
|---|---|---|
| Seurat | 沒有專門針對單細胞空間聯(lián)合的文章溉苛，但有高分文章引用 | 人鱗狀細胞癌成分和空間結構的多峰分析（空間轉錄組與單細胞文章）、10X空間轉錄組和10X單細胞數據聯(lián)合分析方法匯總 |
| cell2location | Cell2location maps fine-grained cell types in spatial transcriptomics(Nature Biotechnology弄诲，IF 55分) | 10X單細胞和空間聯(lián)合分析的方法---cell2location愚战、10X單細胞空間聯(lián)合分析之再次解讀cell2location、10X單細胞空間聯(lián)合分析之cell2location的詳細梳理 |
| SPOTlight | SPOTlight: seeded NMF regression to deconvolute spatial transcriptomics spots with single-cell transcriptomes（Nucleic acids research,IF 17分） | 10X單細胞空間分析回顧之SPOTlight齐遵、10X單細胞空間聯(lián)合分析之三----Spotlight |
| RCTD | Robust decomposition of cell type mixtures in spatial transcriptomics（nature biotechnology寂玲、IF 55分） | 10X單細胞空間聯(lián)合分析之十（RCTD） |
| STdeconvolve | Reference-free cell-type deconvolution of pixel-resolution spatially resolved transcriptomics data(biorxiv) | 10X空間轉錄組數據分析之空間注釋（解卷積，STdeconvolve） |
| Stereoscope | Multi-resolution deconvolution of spatial transcriptomics data reveals continuous patterns of inflammation（biorxiv） | Multi-resolution deconvolution of spatial transcriptomics data reveals continuous patterns of inflammation |
| DSTG | DSTG: Deconvoluting Spatial Transcriptomics Data through Graph-based Artificial Intelligence（Briefings in Bioinformatics梗摇、IF 11分） | 10X單細胞空間聯(lián)合分析之四----DSTG |
| spatialDWLS | SpatialDWLS: accurate deconvolution of spatial transcriptomic data（biorxiv） | 10X單細胞空間聯(lián)合分析之五----spatialDWLS |
| Tangram | Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram（Nature Methods, IF 28.5） | 10X單細胞空間聯(lián)合分析之六(依據每個spot的細胞數量進行單細胞空間聯(lián)合分析----Tangram) |
| CellDART | CellDART: Cell type inference by domain adaptation of single-cell and spatial transcriptomic data(biorxiv) | 10X單細胞-10X空間轉錄組聯(lián)合分析之七----CellDART |
| STRIDE | STRIDE: accurately decomposing and integrating spatial transcriptomics using single cell RNA sequencing(biorxiv) | 10X單細胞-10X空間轉錄組聯(lián)合分析之八----STRIDE（三維重構） |
| Adroit | AdRoit: an accurate and robust method to infer complex transcriptome composition（Communications Biology,designed for bulk RNA-seq data拓哟， IF 5分） | 10X空間轉錄組和10X單細胞數據聯(lián)合分析方法匯總 |
| scanpy | 沒有專門針對單細胞空間聯(lián)合的文章 | Integrating spatial data with scRNA-seq using scanorama、10X單細胞（10X空間轉錄組）批次去除（整合）分析之Scanorama |
其中Seurat的聯(lián)合方法最為常用伶授，但是其他方法也非常經典断序，我們重點介紹兩個方法：
(1) Cell2location: Cell2location 采用分層貝葉斯框架，假設基因表達計數遵循負二項分布谎砾。它首先使用外部 scRNAseq 數據作為參考來估計細胞類型特異性特征逢倍。觀察到的空間表達計數矩陣用負二項分布建模，其中基因可用的特定技術敏感性景图、基因和位置特定的加性偏移作為平均參數的一部分包括在內较雕。然后 cell2location 使用變分貝葉斯推理來近似后驗分布并相應地產生參數估計 。
(2) SPOTlight : SPOTlight 是一種反卷積算法挚币，它采用非負矩陣分解 (NMF) 回歸算法以及非負最小二乘法 (NNLS)亮蒋。在 SPOTlight 中，執(zhí)行 NMF 以識別 scRNA-seq 參考中特定于細胞類型的top profile妆毕，并執(zhí)行 NNLS 來識別spot top profile慎玖，這是反卷積的結果。此外笛粘，據報道趁怔，SPOTlight 在不同的生物場景和具有匹配和外部參考的不同技術版本中執(zhí)行靈敏且準確湿硝。
第三部分，Spatially Variable Genes Identification
