關(guān)注我們?? 時(shí)空組/空間組學(xué)專輯的同學(xué)一定知道此前小編已經(jīng)分享過很多空間轉(zhuǎn)錄組的分析工具公罕，不過這么多工具，我們在做實(shí)際分析的時(shí)候要怎么選呢？?
空間轉(zhuǎn)錄組數(shù)據(jù)分析軟件包和算法的比較分析
識別空間可變基因（SVG）
SpatialDE
方法：高斯過程回歸
執(zhí)行：Python
優(yōu)點(diǎn)：目前該類別中最受歡迎的package
缺點(diǎn)：將表達(dá)量很低的基因標(biāo)記為SVG麻昼，并進(jìn)行兩個(gè)歸一化步驟
GitHub：https://github.com/Teichlab/ SpatialDE
SPARK
方法：廣義線性空間模型
執(zhí)行：R
優(yōu)點(diǎn)：不需要對數(shù)據(jù)進(jìn)行歸一化處理导饲，并對type I error進(jìn)行控制
缺點(diǎn)：與SpatialDE相比干旧，準(zhǔn)確性沒有顯著提高
GitHub：https://github.com/xzhoulab/ SPARK
Trendsceek
方法：標(biāo)記點(diǎn)過程法
執(zhí)行：R
優(yōu)點(diǎn)：報(bào)告的假陽性率低
缺點(diǎn)：識別的SVG數(shù)量非常少驹吮，對較大的數(shù)據(jù)集沒有效果
GitHub：https://github.com/edsgard/ trendsceek
BOOST-GP
方法：分層貝葉斯模型
執(zhí)行：R
優(yōu)點(diǎn)：在0 counts較多的數(shù)據(jù)集中剖煌，準(zhǔn)確率比其他軟件包好
缺點(diǎn)：在有許多0 counts的情況下，準(zhǔn)確率仍然很低
GitHub：https://github.com/Minzhe/ BOOST-GP
SOMDE
方法：自組織映射（SOM）算法
執(zhí)行：Python
優(yōu)點(diǎn)：即使在非常大的數(shù)據(jù)集中也能有效地識別SVG
缺點(diǎn)：在低dropout rate的數(shù)據(jù)集中而芥，不如SpatialDE好律罢。
GitHub：https://github.com/ WhirlFirst/somde
scGCO
方法：圖形切割算法
執(zhí)行：Python
優(yōu)點(diǎn)：結(jié)果比SpatialDE更具有可重復(fù)性」髫ぃ可用于有數(shù)百萬個(gè)細(xì)胞的數(shù)據(jù)集
缺點(diǎn)：~35%的標(biāo)記SVG不可復(fù)現(xiàn)https://github.com/ WangPeng-Lab/scGCO
GitHub：https://github.com/Minzhe/ BOOST-GP
識別空間可變基因（SVG）+其他能力
GP counts
方法：高斯過程回歸
執(zhí)行：Python
優(yōu)點(diǎn)：可以確定時(shí)間軌跡并執(zhí)行偽時(shí)間分析
缺點(diǎn)：大型數(shù)據(jù)集的計(jì)算效率不明確
GitHub：https://github.com/ ManchesterBioinference/ GPcounts
方法：空間自相關(guān)
執(zhí)行：R
優(yōu)點(diǎn)：圖像處理和從多個(gè)樣本創(chuàng)建3D模型的能力
缺點(diǎn)：識別SVG和定義組織異質(zhì)性的準(zhǔn)確性沒有得到全面的審查
GitHub：https://github.com/ jbergenstrahle/STUtility
從丟失的轉(zhuǎn)錄本中重新獲取數(shù)據(jù)
Sparcle
方法：極大似然估計(jì)(MLE)
執(zhí)行：Python
優(yōu)點(diǎn)：獨(dú)特的功能误辑，可與其他軟件包一起使用
缺點(diǎn)：專門為smFISH開發(fā)
GitHub：https://github.com/ sandhya212/ Sparcle_for_spot_ reassignments
識別細(xì)胞類型
SpatialDWLS
方法：阻尼加權(quán)最小二乘法（DWLS）
執(zhí)行：R
優(yōu)點(diǎn)：先驗(yàn)知識可以結(jié)合起來
缺點(diǎn)：在真實(shí)數(shù)據(jù)集上的性能沒有得到驗(yàn)證
GitHub：https://github.com/rdong08/ spatialDWLS_dataset
FICT
方法：生成混合模型
執(zhí)行：Python
優(yōu)點(diǎn)：解決過度依賴表達(dá)數(shù)據(jù)的問題
缺點(diǎn)：在細(xì)胞數(shù)較少的數(shù)據(jù)集上性能下降
GitHub：https://github.com/ haotianteng/FICT
RCTD
方法：監(jiān)督學(xué)習(xí)
執(zhí)行：R
優(yōu)點(diǎn)：可以對scRNA-Seq和SRT數(shù)據(jù)集的跨平臺效應(yīng)進(jìn)行標(biāo)準(zhǔn)化處理
缺點(diǎn)：需要注釋良好的scRNA-Seq數(shù)據(jù)集
GitHub：https://github.com/dmcable/ RCTD
聚類
方法：不同的聚類算法
執(zhí)行：R
優(yōu)點(diǎn)：可以對不同的組織亞型進(jìn)行不同分辨率的聚類；聚類圖是SRT中可視化聚類來源的一種新方法
缺點(diǎn)：缺少與其他軟件包的對比驗(yàn)證
GitHub：https://github.com/ jbergenstrahle/SpatialCPie
Pipeline
Giotto
執(zhí)行：R
優(yōu)點(diǎn)：選擇用于識別細(xì)胞類型中標(biāo)記基因的算法歌逢，用于低分辨率 SRT 數(shù)據(jù)的專用流程
缺點(diǎn)：缺乏對不同平臺采集的不同生物組織的驗(yàn)證
GitHub：https://github.com/RubD/ Giotto
Squidpy
執(zhí)行：Python
優(yōu)點(diǎn)：模塊化巾钉，因此可以在分析中納入其他軟件包
缺點(diǎn)：細(xì)胞鄰域的可重復(fù)性不強(qiáng)
GitHub：https://github.com/theislab/ squidpy
補(bǔ)充閱讀
BT × IT | 如何利用神經(jīng)網(wǎng)絡(luò)做空間轉(zhuǎn)錄組分析？
盤點(diǎn)季 | 空間轉(zhuǎn)錄組分析工具合輯（上）：去卷積
盤點(diǎn)季 | 空間轉(zhuǎn)錄組工具合輯（下）：聚類
首發(fā)公號：國家基因庫大數(shù)據(jù)平臺
參考文獻(xiàn)
Charitakis N., Ramialison M., Nim H.T. (2022) Comparative Analysis of Packages and Algorithms for the Analysis of Spatially Resolved Transcriptomics Data. In: Passos G.A. (eds) Transcriptomics in Health and Disease. Springer, Cham. https://doi.org/10.1007/978-3-030-87821-4_7
