相信许多做生物信息学的童鞋来说，空间转录组是最近很火的技术，但是不知道大家发现了没有，我们做空间的分析对于空间位置信息利用的很少，大多数情况我们就是把很多单细胞的分析方法映射于空间，从生物学的角度看， 当然是没有问题的，但是让我们放宽思路，不仅仅局限于生物信息层面，这就是我们接下来分享的技术CNNs.
首先我们来看看什么是CNNs
卷积神经网络（Convolutinal Neural Networks）是非常强大的一种深度神经网络，它在图片的识别分类、NLP句子分类等方面已经获得了巨大的成功，也被广泛使用于工业界，例如谷歌将它用于图片搜索、亚马逊将它用于商品推荐等。
QQ图片20200908143555.png
在我们人类眼睛的视野里，我们看到的图片是风景，是人物，是一个地方的展示，但是对于机器而言，机器对于图片的识别就是来源于像素点，机器无法识别我们人类识别的美，只是把图片当成一个一个的数字来进行存储，这两者的区别不仅仅在于格式不同，应用起来会有千差万别。
接下来我们看看CNNs是如何工作的
QQ图片20200908144658.png
如同人类对事物的识别一样，CNNs在卷积的过程中对图片进行特征提取（具体原理很复杂，需要请教数学专业的大牛），而我们这里仅需要知道经过卷积，每一个过滤器就会生成一个维度的图片，也就是经过一个过滤器之后的图片特征。
QQ图片20200908145110.png
接下来的步骤对于小白的我来说，有点难以理解，不过好在数学家们将这样的方法很好的封装了起来，对于这样的技术，我们生信人员主要关注其在10X空间转录组上的应用。
CNNs在空间转录组上的应用
目前的空间转录组，染色图片还是HE染色为主，图像像素强度数据包含可用于诊断疾病（例如癌症分期）的信息特征，但是我们在分析的过程主要是运用空间的基因表达数据情况，很好对空间的图片进行深入的研究（毕竟我们不是计算机专业的嘛~），但是忽略这样的信息就导致我们走向了一个极端，过分的关注基因表达及空间分布，但是在非单细胞分辨率的前提下，这样的分析有些片面，没有与病理学的图片相结合，（另一个极端就是病理学医生通过图片诊断，依据经验来判断病理学特征），而CNNs,可以将图片的信息数字化，以此来弥补分析上的不足。
话不多说，我们来看应用
QQ图片20200908150358.png
从图片上解释，一个基因作为一个过滤器，由此提取到该基因的过滤特征，有250个基因，就会有250个过滤后的图片深度，基于这样的机器学习，我们就可以来预测新的图片的特征。
例如这里的预测空间基因的表达特征，不需要进行测序的前提下就可以预测。
QQ图片20200908152120.png
事先对肿瘤特征的细胞进行机器学习的话，那我们就可以对新的肿瘤图片进行疾病细胞的预测，这样的预测对于生物学研究很有意义。
在这里我就不过多的解释了，把文献的链接给大家，如果对于这部分内容想深入学习的话，请“保持愤怒，让王多鱼倾家荡产~~~”。
SpaCell: integrating tissue morphology and spatialgene expression to predict disease cells
Integrating spatial gene expression and breast tumour morphology via deep learning
另外推荐一个研究空间信息很专业的R包spatstat，总之一句话，空间位置信息很重要，我们需要更多的手段来解读这个信息。还是那句话，请“保持愤怒，让王多鱼倾家荡产~~~”。
