热点综述 | 单细胞与空间转录组整合分析技术概览

时间：11-15 名人轶事提交错误

用于整合scRNA-seq 和空间转录组研究的工作流程模型

scRNA-seq+空间组学整合分析的研究进展

有研究将空间转录组学和scRNA-seq 数据分析相结合，为组织组成和功能提供了新的见解。下表显示了相关研究现状，包括正常组织稳态和发育、肿瘤微环境以及其他病变和损伤的微环境。

scRNA-seq和空间转录组数据解析研究

scRNA-seq+空间组学整合分析的计算方法

鉴于空间转录组学方法尚无法在组织中产生深度单细胞分辨率转录组图谱，成功整合单细胞和空间转录组数据的分析将有助于了解细胞类型分布的结构和组成。该结构中细胞间通讯的假定机制。整合scRNA-seq 和空间转录组数据的主要方法有两种：反卷积和作图。反卷积的目的是根据单细胞数据，从每个捕获点的mRNA 转录本混合物中分离出离散的细胞亚群；映射有两部分：将指定的基于scRNA 的细胞亚型映射到HPRI 图集每个细胞，并将每个scRNA-seq 细胞定位到组织的特定生态位或区域。

单细胞和空间转录组数据的整合策略

反卷积：从单个捕获点分离离散的细胞亚型。反卷积有两种主要方法：推断特定点处细胞亚型的比例，并对特定空间转录组点进行评分以确定其与单个细胞亚型的对应程度。

基于推理的反卷积技术涉及估计特定捕获点处每种细胞类型的比例。这种形式的反卷积的一种方法是采用基于统计回归的模型，并且各种线性回归模型已应用于对批量RNA-seq 混合物进行反卷积。

估计给定捕获位点中每种细胞类型的确切比例的补充方法是通过贝叶斯统计框架，该框架将概率分布拟合到scRNA-seq 数据的基因计数分布。 SPOTlight 的基准测试策略是最彻底的：评估细胞类型检测的准确性、灵敏度和特异性以及与现实世界的整体相关性。此外，可以通过HPRI 获得更高分辨率的异构体空间定位的物理验证。

基于富集分数的反卷积技术有很多，例如Seurat 3.0和多模态交叉分析等；解决数据集不匹配问题的反卷积技术策略，如SpatialDWLS等。

绘图：以单细胞分辨率创建空间解析的细胞类型图。就像反卷积一样，作图的第一步是根据scRNA-seq 数据建立细胞亚型。绘图中的主要挑战是将HPRI 数据中基于scRNA-seq 的细胞类型分配给每个细胞。对14 种已发表的算法进行系统评估，这些算法通过基于聚类的分析实施批量校正策略来进行绘图，确定了三种最有效地将scRNA-seq 数据与单细胞分辨率空间数据整合的算法：LIGER、Seurat Integration（来自Seurat 3.0）和Harmony。这三种算法最终采用不同的方法将簇整合到低维空间中，并通过簇的群体检测获得细胞类型。

将空间数据纳入细胞间通信分析。细胞亚群之间的相互作用介导组织稳态、发育和疾病。空间转录组数据非常适合评估通过scRNA-seq 计算的配体-受体相互作用的可靠性。用于预测参与细胞间通讯的配体-受体相互作用对的标准算法主要将scRNA-seq 数据与已知配体-受体相互作用的数据库结合起来。有很多方法可以破译这种细胞间通讯机制。例如Giotto、SpaOTsc算法等。此外，空间数据可用于评估scRNA-seq图谱重建和估计配体-受体相互作用，例如novoSpaRc算法。

scRNA-seq+空间组学整合分析的未来方向

其他整合模式

目前，空间转录组学技术主要集中于通过新一代测序（空间条形码）或荧光标记（HPRI）检测mRNA转录本。然而，空间转录组学实验产生的组织切片的组织学图像通常没有被利用。一些算法已经被开发出来。例如，基于在组织结构层面直观地表示大量空间变化的前提，研究团队开发了深度学习算法ST-Net，可以预测每个空间条形码捕获点在组织结构上的叠加。 102个基因的空间表达变化。此外，XFuse 结合了空间条形码和组织学切片来预测单细胞分辨率的表达。这些深度学习模型的显着性图对于提取与转录组中单个基因表达相关的新空间特征至关重要。除了改进反卷积和映射算法之外，还需要重点开发更深度的学习模型，以帮助区分特定空间转录组的哪些特征最具生物学意义。

定义三维空间转录组和实时细胞追踪为未来的研究提供了新的领域。目前，三维空间转录组的研究大多采用高密度切片，通过三维单分子荧光原位杂交数据计算重建或推断scRNA-seq细胞的位置。 STARmap 和ExSeq 是新开发的方法，将HPRI 与将完整组织转化为水凝胶相结合，以保留扩增子的3D 排列。

尽管空间转录组可以绘制发育或组织发病机制的时间过程，但空间转录组技术无法实时监测细胞亚型的物理动态。光学相干断层扫描已用于追踪肿瘤相关骨髓细胞的迁移，CellGPS 已与正电子发射断层扫描一起使用来追踪携带放射性同位素的人类乳腺癌细胞。当与空间转录组学结合时，这两种实时跟踪技术都可以应用于空间数据中感兴趣的细胞类型，以阐明环境中的细胞动态，例如癌症免疫治疗期间的转移进展和免疫细胞动态。学习。

通过在空间上解析分子生物学中心法则不可或缺的其他生物分子，可以通过超越时空转录组的分辨率来更深入地了解组织功能。例如，DBiT-seq 可以在空间上解析同一组织上的蛋白质和mRNA 转录本。基因组序列的三维原位成像、RNA的亚细胞分辨率以及核仁和RNA的三维染色质组织的同时成像都存在于单细胞尺度。它们有望应用于完整的组织，并彻底改变我们对中心法则机制如何在细胞的三维环境中发挥作用的理解，揭示发育轨迹和疾病（即癌症）的内部运作方式。

临床相关性

对患病组织和健康组织进行比较分析的空间转录组学研究已开始阐明预后、最佳治疗和潜在的治疗靶点。但此类研究样本量有限，目前仍处于探索阶段。为了加速数据生成，分析可以集中于描述驱动疾病相关表型的较少数量的感兴趣区域。除了描述患者结果的趋势外，研究现有药物，尤其是重新利用的药物如何影响疾病驱动细胞类型的时空基因表达模式，可能会为潜在的治疗提供见解。在这方面，通过NASC-seq等方法监测mRNA转录本对刺激的反应可能有助于更好地了解药物干扰如何影响患病细胞的空间转录组。一旦整合这些患者组织数据，深度学习模型就可以帮助识别与生存结果或治疗反应最相关的空间表达模式，从而可能突出显示治疗期间重述或补充干预节点的有利目标。

随着越来越多的空间转录组分析的进行，解开已定义的、与疾病相关的细胞类型及其遗传模块将变得越来越具有挑战性。随着更多的细胞类型在组织中被识别和定位，Seurat Integration、Harmony 和LIGER 等工具可能会升级，以整合来自不同实验测定的数据，以确定是否在每个组织中一致地观察到特定的细胞类型。此外，整合每个器官系统和疾病的空间转录组数据（例如SpatialDB 数据库、Allen Brain Atlas 等）也很有价值。最终，更好地定义疾病驱动细胞类型的空间转录组，特别是对于细胞功能受到影响的情况。特别依赖于原位环境和邻近细胞群，可能会产生更有效的治疗靶向生物机制。

检测空间转录组的技术正在迅速发展，因此没有一种空间转录组技术适合所有应用。根据所提出的生物学问题，实验方法可以将任何空间转录组学方法与scRNA-seq 结合起来。除了开发增强方法之外，选择整合这些数据的算法也至关重要，因为尚不存在以单细胞分辨率、scRNA-seq 深度和整个转录组覆盖范围来空间解析组织的空间转录组学方法。方法。这种综合方法可以在空间上绘制发育和疾病中的特定细胞亚群图，并阐明这些细胞亚群合作塑造组织表型的机制。

第一个公众号：国家基因库大数据平台

参考

Longo, S.K.Guo, M.G.Ji, A.L. 等人。整合单细胞和空间转录组学来阐明细胞间组织动力学。纳特·热内(2021)。 https://doi.org/10.1038/s41576-021-00370-8