作者厨诸，Evil Genius
昨天我們上了空轉(zhuǎn)第六課，基本上描述了常見的單細(xì)胞空間聯(lián)合分析方法的內(nèi)容，這一篇做一下總結(jié)。
SPOTlight（Nucleic Acids Research）
應(yīng)用場(chǎng)景：Spatial decomposition（空間分解）
算法：Seeded NMF regression（基于種子的非負(fù)矩陣因子分解回歸）
優(yōu)點(diǎn)：跨多個(gè)組織的高精度
缺點(diǎn)：沒有將捕獲的位置信息合并到模型空間分解中
解卷積讀取方式：抽取單細(xì)胞空間的矩陣和坐標(biāo)信息呻袭。
開發(fā)：最初是為 10X 的 Visium - 空間轉(zhuǎn)錄組學(xué)技術(shù)開發(fā)的。
圖像處理：無
示例可視化結(jié)果（無HE底片）：
RCTD（nature biotechnology）
應(yīng)用場(chǎng)景：Spatial decomposition（空間分解）
算法：Poisson distribution with MLE（泊松分布的最大似然估計(jì)）
優(yōu)點(diǎn)：系統(tǒng)地模擬平臺(tái)效應(yīng)
缺點(diǎn)：假設(shè)平臺(tái)效應(yīng)在細(xì)胞類型之間共享描滔，沒有將捕獲的位置信息合并到模型空間分解中
解卷積讀取方式：抽取單細(xì)胞空間的矩陣和坐標(biāo)信息棒妨。
開發(fā)：基于 Slide-seqV2的高靈敏度近單細(xì)胞精度的空間轉(zhuǎn)錄組學(xué)（10~20um，華大數(shù)據(jù)合并到這個(gè)地步也可以采用）含长。
圖像處理：無
CRAD（nature biotechnology）
應(yīng)用場(chǎng)景：Spatial decomposition（空間分解）
算法：基于條件自回歸的反卷積
優(yōu)點(diǎn)：考慮空間位置的臨近關(guān)系，通過CAR模型解釋跨空間位置的細(xì)胞類型組成的空間相關(guān)性伏穆；可以輸入marker基因拘泞，CARD 可以進(jìn)行無細(xì)胞類型特異性參考矩陣的去卷積分析。
缺點(diǎn)：采用類似bulk的解卷積方法進(jìn)行空間注釋
解卷積讀取方式：抽取單細(xì)胞空間的矩陣和坐標(biāo)信息枕扫。
開發(fā)：針對(duì)10X陪腌、slide-seq等開發(fā)，適用于10X。
圖像處理：無
DSTG（Briefings in Bioinformatics）
應(yīng)用場(chǎng)景：Spatial decomposition（空間分解）
算法：Semi-supervised GCN（半監(jiān)督圖卷積神經(jīng)網(wǎng)絡(luò)）
優(yōu)點(diǎn)：比基準(zhǔn)工具更精確
缺點(diǎn)：高度依賴于建模圖卷積神經(jīng)網(wǎng)絡(luò)的鏈接圖的質(zhì)量（偽bulk匹配空間數(shù)據(jù)）
解卷積讀取方式：抽取單細(xì)胞空間的矩陣和坐標(biāo)信息诗鸭。
開發(fā)：針對(duì)10X染簇、slide-seq等開發(fā)，適用于10X强岸。
圖像處理：無
stereoscope（Nature Biotechnology）
應(yīng)用場(chǎng)景：Spatial decomposition（空間分解）
算法：Negative binomial distribution with MAP（具有最大后驗(yàn)概率的負(fù)二項(xiàng)分布）
優(yōu)點(diǎn)：利用完整的表達(dá)譜而不是選定的標(biāo)記基因來實(shí)現(xiàn)更高的準(zhǔn)確性（使用單細(xì)胞數(shù)據(jù)來描述每個(gè)細(xì)胞類型的表達(dá)譜锻弓，然后在每個(gè)捕獲位置內(nèi)找到這些類型的組合）。
缺點(diǎn)：需要更深的測(cè)序深度
解卷積讀取方式：抽取單細(xì)胞空間的矩陣和坐標(biāo)信息蝌箍，或者直接匹配h5ad格式青灼。
圖像處理：有
CellDART
應(yīng)用場(chǎng)景：Spatial decomposition（空間分解）
算法：adversarial discriminative domain adaptation，ADDA
優(yōu)點(diǎn)：用單細(xì)胞數(shù)據(jù)構(gòu)建偽空間SPOT妓盲，偽SPOT與真實(shí)的SPOT構(gòu)建神經(jīng)網(wǎng)絡(luò)杂拨，構(gòu)建分類器。
缺點(diǎn)：特異性不夠高
解卷積讀取方式：*抽取單細(xì)胞空間的矩陣和坐標(biāo)信息悯衬。
圖像處理：無
CellTrek（Nature Biotechnology）
應(yīng)用場(chǎng)景：Spatial decomposition（空間分解）
算法：將 ST 和 scRNA-seq 數(shù)據(jù)集成并共嵌入到共享特征空間中弹沽，使用 ST 數(shù)據(jù)訓(xùn)練multivariate random forests (RF) model，以使用共享降維特征預(yù)測(cè)空間坐標(biāo)
優(yōu)點(diǎn)：解卷積效果較好
缺點(diǎn)：十分依賴數(shù)據(jù)的匹配程度
解卷積讀取方式：抽取單細(xì)胞空間的矩陣和坐標(biāo)信息筋粗。
圖像處理：無
好了贷币，方法有很多，但是最值得大家關(guān)注的方法亏狰，還是cell2location役纹，我們今晚（10.17）講最后一種單細(xì)胞空間聯(lián)合分析的方法（MIA），這是從另外一個(gè)角度解析我們的空間數(shù)據(jù)暇唾。
生活很好促脉，有你更好。
