作者，Evil Genius
周五了，又一周过去了，疫情越来越严重了，很多城市都封控了，但是呢，不影响大家看文献，做科研，最主要的，可以在家看世界杯。
今天来一篇空间的方法文，最新的方法更新，有一定的可取之处，做空间转录组的童鞋可以参考一下，文章在Starfysh reveals heterogeneous spatial dynamics in the breast tumor microenvironment
空间解析基因表达谱为组织结构和细胞-细胞crosstalk提供了有价值的见解;然而，空间转录组学(ST)缺乏单细胞分辨率。目前的ST分析方法需要单细胞RNA测序数据作为严格解释细胞状态的参考，而不使用相关的组织学图像。显著的样本变异进一步复杂化了ST数据集的整合，这对于识别跨组织的共性或疾病中改变的细胞连接至关重要。
研究背景
在多细胞系统中，不同细胞类型的功能受到其周围环境的强烈影响。揭示组织中细胞类型之间的空间组织和交流，可以深入了解它们的发育、功能、维持、对刺激的反应，以及它们如何适应其微环境或转化为恶性或病变细胞。通过对整个转录组进行采样，空间转录组学(ST)的最新进展实现了以空间解析的方式进行无偏基因表达定位，从而为研究细胞和微环境的空间排列提供了前所未有的机会。这些技术已应用于不同的领域，包括器官发育、疾病建模和免疫学。然而，基于测序的方法(Visium, DBiTseq, Slide-seq等)由于横向RNA扩散的技术伪象，在细胞分辨率方面受到限制。因此，从捕获位置(点)进行测量涉及到多个细胞的混合，这导致了在解剖细胞配置时的分析挑战，特别是在复杂系统中，如癌症组织。
细胞类型和精细细胞状态的准确表征对于比较跨组织的空间组织和细胞间交流尤为重要，例如，对于研究发育或疾病进展过程中细胞分布和组织的变化。例如，在复杂的肿瘤组织中，患者特异性肿瘤细胞的信号与共享免疫细胞类型的信号混合，阻碍了患者、疾病亚型或疾病之间抗肿瘤免疫机制的比较。现有的大多数分析ST数据的计算方法(Cell2location, DestVI, Tangram, Stereoscope, RCTD, BayesPrism等)需要成对和注释的单细胞测序数据作为参考来克服这一挑战，不能整合组织样本。
重要的是，获取成对的单细胞数据可能不具有成本可行性或实用性，例如，在临床核心活检样本的情况下，进一步激发无参考方法，能够整合细胞类型标记的先验知识和来自多个组织的数据，以提高统计能力。提出了无参考方法，如STdeconvolve, smooth和CARD将斑点反卷积为潜在因子。然而，有些因素不能明确地映射到肿瘤组织中精细的细胞状态。这些方法也不允许多个ST数据集的集成，针对单细胞RNA测序设计的批量校正方法在以肿瘤细胞等样本特异性细胞类型为主的ST样本中是不可行的。虽然一些方法已经利用组织学图像来对齐复制组织之间的点或从组织学预测高分辨率基因表达，但目前的方法未能利用空间依赖性和成对组织学来改善细胞状态反卷积。
我们来看看新方法的改进之处，依据空间转录组和形态学图片进行空间细胞状态注释
总结一下特点：
1、依据细胞类型的marker gene推断spot的细胞比例（这个需要较深的研究背景），结合配对的组织组织学图像，提高空间数据整合的可靠性
2、为了比较多个样本之间的差异，整合数据识别空间样本共有或特有的“hubs”（defined as niches with a unique composition of cell states）。
3、为了揭示潜在的细胞交流机制，对hubs的空间组织进行下游分析，识别具有空间变化模式的关键基因，以及共同进化的细胞状态和共同定位网络。
4、联合建模ST和组织学作为从共享的低维潜在表现观察到的数据，同时合并Anchor作为先验,方法的创新之处在于使用细胞状态比例作为辅助变量，并将转录组与组织学结合起来。
5、空间依赖性，也就是细胞类型之间的相互依存度
这里注意以下细节：
1、空间的聚类结果跟单细胞不一样，代表的是hubs，在文章空间转录组基础分析之整合篇中，空间的聚类结果定义为Niche。
2、空间聚类分为两种，分子聚类和细胞聚类，其中细胞类型的意义更大一点。
实际运用的示例：
1、肿瘤异质性，包括免疫细胞的异质性
2、肿瘤hubs的变化
3、免疫肿瘤共进化
其实研究的关键还是空间异质性
