CRAD（nature biotechnology）
应用场景：空间分解
算法：基于条件自回归的反卷积
优点：考虑空间位置的临近关系，通过CAR模型解释跨空间位置的细胞类型组成的空间相关性；可以输入marker基因，CARD 可以进行无细胞类型特异性参考矩阵的去卷积分析。
缺点：使用类块反卷积方法进行空间标注
反卷积读取模式：抽取单细胞空间的矩阵和坐标信息。
开发：针对10X、slide-seq等开发，适合10X。
图像处理：无
DSTG（Briefings in Bioinformatics）
应用场景：空间分解
算法：Semi-supervised GCN（半监督图卷积神经网络）
优点：比基准工具更准确
缺点：高度依赖于对图卷积神经网络进行建模的链接图的质量（伪批量匹配空间数据）
反卷积读取模式：抽取单细胞空间的矩阵和坐标信息。
开发：针对10X、slide-seq等开发，适合10X。
图像处理：无
stereoscope（Nature Biotechnology）
应用场景：空间分解
算法：Negative binomial distribution with MAP（具有最大后验概率的负二项分布）
优点：利用完整的表达谱而不是选定的标记基因来实现更高的准确性（使用单细胞数据描述每种细胞类型的表达谱，然后在每个捕获位置内找到这些类型的组合）。
缺点：需要更深的测序深度
反卷积读取模式：抽取单细胞空间的矩阵和坐标信息，或者直接匹配h5ad格式。
图像处理：是
CellDART
应用场景：空间分解
算法：对抗性判别域适应，ADDA
优点：利用单细胞数据构建伪空间SPOT，伪SPOT和真实SPOT构建神经网络，构建分类器。
缺点：特异性不够高
反卷积读取方法： *提取单细胞空间的矩阵和坐标信息。
图像处理：无
【单细胞与空间转录组整合分析技术要点总结——第六课精粹】相关文章：
2.米颠拜石
3.王羲之临池学书
8.郑板桥轶事十则
用户评论
这个主题听起来很新潮啊！
有7位网友表示赞同！
学习一下单细胞和空间转录组的研究方法，我觉得很有用。
有8位网友表示赞同！
想了解如何把这些数据融合在一起分析呢？
有20位网友表示赞同！
现在生物技术发展也太快了，跟着学都没法跟上！
有11位网友表示赞同！
这课应该涵盖了很多实用技巧吧，期待学习！
有19位网友表示赞同！
整合分析方法的确很重要，能获得更全面的研究结果。
有14位网友表示赞同！
感觉这种解析方法应用范围非常广啊！
有17位网友表示赞同！
我想知道哪些具体的软件工具可以用到呢？
有12位网友表示赞同！
以前没接触过这些专业术语，这次课应该能让我补足知识盲点！
有19位网友表示赞同！
我对生物组的分析方法一直特别感兴趣，这课一定很值得一看。
有10位网友表示赞同！
学习新的科研手段可以让我们更快得推进研究进展啊。
有10位网友表示赞同！
整合分析技术，让数据更直观，理解更容易!
有10位网友表示赞同！
这课应该会讲很多案例分析吧？
有17位网友表示赞同！
最近生物学的研究方向真是越来越多元化了！
有12位网友表示赞同！
希望课程能够给我们一些更具体的操作步骤。
有13位网友表示赞同！
整合分析能让我更好地了解复杂 biological systems !
有9位网友表示赞同！
期待学习到这些先进的科研方法！
有16位网友表示赞同！
这课一定能开拓我对于生物学研究的新视野！
有19位网友表示赞同！
希望能分享一些最新研究成果和趋势。
有14位网友表示赞同！
我对这种跨学科的研究方向非常好奇!
有19位网友表示赞同！