10X单细胞空间联合分析之十一（CellTrek）
单细胞 RNA 测序 (scRNA-seq) 方法可以分析单细胞的转录组，但不能保留空间信息。 相反，空间转录组学 (ST) 分析可以描绘组织切片中的空间区域，但没有单细胞基因组分辨率。 在这里，作者开发了一种称为 CellTrek 的计算方法，它结合了这两个数据集来实现单细胞空间映射。 测试使用模拟研究和两个原位数据集对 CellTrek 进行了基准测试。 然后，应用 CellTrek 从正常小鼠大脑和肾脏组织的现有数据集中重建细胞空间结构。 分析还对两个导管原位癌 (DCIS) 组织进行了 scRNA-seq 和 ST 实验，并应用 CellTrek 来识别仅限于不同导管的肿瘤亚克隆，以及与肿瘤区域相邻的特定 T 细胞状态。 数据表明，CellTrek 可以准确地绘制不同组织类型中的单个细胞，以解析它们的空间组织。
单细胞 RNA 测序 (scRNA-seq) 方法极大地扩展了我们对不同细胞类型的基因表达程序及其在发育和疾病中的作用的理解。然而，scRNA-seq 在组织解离步骤中固有地丢失了细胞空间信息， 这对于理解细胞微环境和细胞间相互作用至关重要 。虽然空间测序方法，包括空间转录组学 (ST) 和 Slide-seq，可以在空间上描绘跨组织切片的基因表达，但它们仅限于测量具有细胞混合物的小区域，并且不能轻易提供单细胞信息。为了解决这个问题，已经设计了计算方法（例如， cell2location 、 RCTD ）来将 ST spot解卷积为不同细胞类型的比例。然而，空间去卷积方法仅限于推断每个spot的细胞类型比例，无法实现单细胞分辨率。此外，去卷积方法将细胞类型进一步解析为反映不同生物学功能的更细粒度的“细胞状态”（表达程序）的能力有限。 最后，大多数反卷积方法只能预测分类标签，而不能以空间分辨率推断连续的细胞信息（例如，谱系轨迹、基因特征、连续表型） 。
在这里，作者开发了 CellTrek，这是一种计算工具包，可以根据 scRNA-seq 和 ST 数据将单个细胞直接映射回组织切片中的空间坐标。 这种方法提供了一种不同于 ST 反卷积的新模式，能够更灵活、更直接地研究具有空间地形的单细胞数据。 CellTrek 工具包还提供了两个下游分析模块，包括用于 空间共定位分析 的 SColoc 和用于空间 共表达分析 的 SCoexp。 使用模拟和原位数据集对 CellTrek 进行了基准测试。 然后，将 CellTrek 应用于来自正常小鼠大脑和肾脏组织的现有数据集以及从两个人类导管原位癌 (DCIS) 样本生成的数据，以研究单细胞空间分辨率下细胞类型/状态的组织。
CellTrek 首先将 ST 和 scRNA-seq 数据集成并共嵌入到共享特征空间中
CellTrek 使用 ST 数据训练multivariate random forests (RF) model，以使用共享降维特征预测空间坐标。 引入了对 ST 数据的空间非线性插值以增加空间分辨率。 然后将训练后的模型应用于共嵌入数据以导出 RF 距离矩阵，该矩阵测量 ST spot和由空间坐标监督的单个细胞之间的表达相似性。 基于 RF 距离矩阵，CellTrek 在阈值化后使用相互最近邻 (MNN) 生成稀疏spot细胞图。 最后，CellTrek 从相邻spot传输细胞的空间坐标。 为了提高兼容性，CellTrek 可以接受从其他方法（例如 novoSpaRc）计算的任何细胞位置概率/距离矩阵作为细胞空间图表的输入。 此外，提供了一个图形用户界面 (GUI)，用于对结果 CellTrek map进行交互式可视化。
为了概括不同细胞类型之间的空间关系，开发了一个下游计算模块 SColoc，它将 CellTrek 结果汇总为图形抽象
提供了三种方法，即 Kullback-Leibler 散度 (KL)、Delaunay 三角测量 (DT) 和 K-最近邻距离 (KD)，用于计算细胞类型之间的空间差异。 基于相异度矩阵，SColoc 可以构造一个最小生成树 (MST)，表示简化的空间细胞邻近度。 上述步骤将在引导样本上迭代执行以生成共识矩阵（在差异或 MST 上）。 此后，图形将通过具有可调边缘阈值和颜色映射功能的 GUI 呈现。 此外，SColoc 提供了一个 Kdistance 度量，用于测量细胞到选定参考组的空间距离。
为了研究不同的表达程序是否分布在不同的地形区域，作者开发了 SCoexp，它利用 CellTrek 坐标来检测目标细胞内的共表达基因模块。
首先，SCoexp 根据它们的空间距离计算空间核权重矩阵。 使用这个权重矩阵，SCoexp 计算空间加权基因共表达矩阵。 此后，SCoexp 利用共识聚类 (CC) 或加权相关网络分析 (WGCNA) 来识别基因模块。 对于识别的模块，我们可以计算模块分数并investigate它们的空间组织。
为了对 CellTrek 的性能进行基准测试，利用了三个空间数据集，1) 具有自定义空间模式的模拟 scRNA-seq 数据集
生成了三个相应的 ST 数据集，每个spot聚合了五个空间最近的细胞
将 CellTrek 应用于 scRNA-seq 和 ST 数据以重建它们的空间细胞图。 然后，将CellTrek 与另外两种细胞制图方法进行了比较：1) NVSP-CellTrek，它使用基于参考的 novoSpaRc（一种空间重建方法）来计算细胞空间概率矩阵，然后利用 CellTrek 生成空间图，以及 2) Seurat coordinate transfer (SrtCT) which uses the data transfer approach to transfer ST coordinates to single cells。 CellTrek 和 NVSP-CellTrek 都重建了模拟数据的原始空间格局，而 SrtCT 只重建了细胞之间的粗略空间关系，不能准确地映射细胞
与 NVSP-CellTrek 相比，CellTrek 以更高的空间密度绘制了更多的细胞。 为了定量评估这些方法，我们使用 KL 散度将细胞绘图结果的空间密度与不同细胞类型的原始空间分布进行了比较。 CellTrek 和 NVSPCellTrek 均以低 KL 散度实现了良好的性能，而 SrtCT 与参考分布的差异要大得多
在果蝇胚胎数据中，CellTrek 准确重建了原始空间布局，三种方法中 KLdivergences 最低
在 CellTrek 结果中进一步研究了几种已知的果蝇胚胎发生基因，并发现了与先前研究一致的空间模式
在小鼠胚胎数据中，我们发现 CellTrek 和 NVSP-CellTrek 准确地重建了原始空间结构，而 CellTrek 在第 5、9 和 17 组中显示出略高的 KL-divergences
为了研究 CellTrek 是否可以揭示小鼠胚胎发育的空间模式，我们选择了一组肠管细胞，发现一些标记基因与之前的研究存在空间一致性
接下来评估了 CellTrek 在三种不同模拟设置下对模拟数据的性能：1)read counts，2) 空间随机性，以及 3) 组织密度。 我们使用 KL 散度和 Pearson 相关性在 CellTrek 地图和参考之间的细胞空间坐标上评估 CellTrek 性能。 在三个模拟中（每个模拟有八个条件），与置换测试相比，CellTrek 实现了良好的空间重建性能，并显示出更低的 KL 散度和更高的相关性。 然而，增加空间随机性会影响 CellTrek 的性能并降低统计显著性，同时减少read counts或spot/cell密度将导致稀疏的细胞图。 总体而言，该数据表明 CellTrek 是一种在不同实验条件下进行单细胞空间映射的稳健方法。
将 CellTrek 应用于公共小鼠大脑 scRNA-seq (Smart-seq2)和 ST 数据集（Visium，10X Genomics）。 我们将 CellTrek 与 NVSP-CellTrek 和 SrtCT 方法进行了比较。 CellTrek 按照 L2/3 端脑内 (IT)、L4、L5 IT、L6 IT、L6 皮质丘脑 (CT) 和 L6b 的顺序重建了层流兴奋性神经元亚型的清晰层结构，与大脑皮层结构相匹配。 NVSP-CellTrek 显示出类似的空间层趋势，从而证明了 CellTrek 方法的灵活性和一致性。 然而，NVSP-CellTrek 在某些区域导致了稀疏的细胞映射。 SrtCT 未能准确地将细胞位置投影到组织学图像上。 然后我们使用 Seurat 标签转移 (SrtLT) 来预测每种细胞类型的空间分布作为我们的参考。 细胞制图结果与参考文献之间的 KL 散度表明 CellTrek 成功地恢复了空间细胞结构，并且在三种方法中具有最低的 KL 散度
接下来，验证 CellTrek 是否可以进一步揭示同一细胞类型内细胞状态的拓扑模式。 例如，L5 IT 细胞包含五种表达状态，并在 UMAP 上以 Hsd11b1-Endou、Whrn-Tox2、Batf3、Col6a1-Fezf2 和 Col27a1 的顺序显示出连续趋势。 L5 IT CellTrek map发现了一个精炼的子层架构，这与之前的研究一致。 为了总结细胞空间共定位，我们使用基于 KL 的 MST 共识图将 SColoc 应用于 CellTrek 结果。 谷氨酸能神经元细胞类型按层结构的顺序构建了图形的线性主干。 到 L2/3 IT 细胞的空间 K 距离在图表的相同顺序中显示出显著增加的趋势（Spearman's rho = 0.91，P < 2.2e-16）
然后，使用 SCoexp 研究了基因如何在 L5 IT 细胞中空间共表达。 鉴定了两个共表达模块（K1、K2）并显示出不同的生物学功能富集。 K1 模块在细胞状态 Hsd11b1-Endou、Whrn-Tox2 中高度活跃并在空间上位于外层，而 K2 模块在 Col27a1、Col6a1-Fezf2 和 Batf3 中高度活跃，主要位于内层。 这些结果表明 SCoexp 能够识别相同细胞类型内的细微转录差异并推断它们的拓扑异质性。
还将 CellTrek 应用于来自小鼠海马体的 Slide-seq v230 和 scRNA-seq 数据 。 Slide-seq 数据的无监督聚类确定了 12 个具有高度组织空间结构的聚类 (G01-G12)。 CellTrek 将单个细胞映射到它们的空间位置，这与 Slide-seq 集群一致。 值得注意的是，G06 与 Cornu Ammonis (CA) 区域匹配，而 CellTrek 揭示了 CA1、CA2 和 CA3 主细胞的顺序映射，这些主细胞无法单独通过 Slide-seq 聚类解决。 这些结果表明 CellTrek 可以广泛应用于不同的空间基因组平台，以实现更精细的空间细胞分辨率。
将 CellTrek 应用于公共小鼠肾脏数据 32 并将其与 NVSP-CellTrek 和 SrtCT 进行比较。 CellTrek 使用位于不同组织学区域（例如，皮质、外髓质和内髓质）的不同细胞类型准确重建了细胞空间结构。与 CellTrek 相比，NVSP-CellTrek 显示出相似的空间模式，而 SrtCT 无法重建小鼠肾细胞的准确空间组织。使用 SrtLT 作为参考，CellTrek 和 NVSP-CellTrek 都实现了整体低 KL 散度，NVSP-CellTrek 显示出更高的 VSMC 和 RenaCorp 细胞的 KL 散度。 SrtCT 显示与参考分布的最高 KL 散度。为了进一步研究空间细胞表达动态，我们分别推断了 ProxTub 和 DistTub 细胞的轨迹，并基于 CellTrek 对它们的伪时间进行了空间映射。对于 ProxTub 细胞，我们观察到从皮层外部到内部的连续空间轨迹。 ProxTub 细胞的这种连续解剖变化与之前的研究一致。同样，DistTub 细胞也显示出具有清晰空间模式的连续轨迹。总的来说，这些结果表明 CellTrek 可以解决组织中单细胞连续表达程序的拓扑排列。
接下来使用 SColoc 总结了一个细胞空间图。 ProxTub 细胞被确定为枢纽并连接到 RenaCorp、DistTub 和其他细胞类型。共识热图和层次聚类显示出与图抽象相似的模式。由于 scRNA-seq 数据是从小鼠肾脏的不同区域显微解剖中收集的，我们询问 CellTrek 是否可以在没有先验知识的情况下重述实验区域信息。根据 CellTrek 结果，我们计算了 TLLH、DistTub 和 Prin 细胞到中心区域的一组细胞的 K 距离。观察到一致的趋势是 Kdistances 从皮质到外髓质，然后到内髓质，这表明 CellTrek 成功揭示了小鼠肾脏的带状结构。此外，在 DistTub 细胞中，我们使用 SCoexp 确定了两个不同的空间共表达模块（K1 和 K2）。 K1 模块富含代谢途径、肾系统发育，并与一些远曲小管 (DCT) 基因高度相关。相比之下，K2 富含细胞基质途径、嘌呤代谢途径，并与远端直管 (DST) 经典基因相关。这两个模块在 UMAP 和 CellTrek 地图上显示了不同的模式。 K1在皮质区高度活跃，而K2在髓质区活跃，这与DCT和DST的解剖定位一致
进一步query CellTrek 是否可以通过利用空间信息来提高我们对细胞间通讯的理解。 我们使用 CellChat 对 scRNA-seq 数据进行了细胞-细胞相互作用分析，并使用 SColoc 图通过假设共定位的细胞将有更高的机会相互作用来过滤细胞-细胞对。 与原始 CellChat 结果相比，预测了所有细胞类型之间的许多非特异性相互作用，空间过滤提供了一组更简洁、更具体的减少的相互作用。 重要的是，分析确定了之前报道过的几种相互作用，包括 ProxTub 表达的 Vegfa 与其受体 Flt1 和 Kdr 相互作用，后者由 Vasc 表达
将 3' scRNA-seq（10X 基因组学）和 ST（Visium，10X 基因组学）应用于 DCIS 样本 (DCIS1)，以分析 6,828 个单细胞和 1,567 个 ST spot。 对于 scRNA-seq 数据，聚类和差异表达 (DE) 分析确定了 5 种主要细胞类型，包括上皮细胞、内皮细胞、成纤维细胞、髓细胞和自然杀伤 (NK)/T 细胞
应用 CopyKAT 从 scRNA-seq 数据推断拷贝数分布。在所有肿瘤细胞中观察到一些克隆拷贝数改变 (CNA)，包括染色体 3q (PIK3CA)、8q (MYC) 和 19p (STK11) 的增加以及染色体 8p (PPP2R2A)、10q (PTEN) 和 14q 的丢失。 AKT1)。 CNA 谱的 UMAP 和 dbscan 聚类确定了三个主要肿瘤亚克隆 (clone1-3) 具有一些不同的改变，包括克隆 2 和克隆 3 中的 17q (ERBB2) 增益和 11q (ATM) 丢失，克隆 2 中的 1q（MDM4 和 EPHX1）增益和克隆 3 中的 6q (FOXO3) 丢失。基于共有的 CNA 谱，我们构建了一个系统发育树，显示克隆 1 是较早的亚克隆，与主要谱系不同，其次是克隆 2 和克隆 3。值得注意的是，这三个亚克隆表现出转录异质性。 Hallmark 基因集富集分析确定了所有三个亚克隆的几种常见途径，包括 MYC 靶标、氧化磷酸化和 DNA 修复。我们还确定了亚克隆特异性特征，包括富含克隆 2 和克隆 3 的雌激素反应途径，以及富含克隆 2 的干扰素 α/γ 反应、凝血和补体途径。
为了了解三个肿瘤亚克隆的空间分布，我们将 CellTrek 应用于 scRNA-seq 和 ST 数据。大多数肿瘤细胞映射到 H&E 载玻片上的 DCIS 区域。此外，不同的肿瘤亚克隆映射到不同的导管区域，反映了广泛的肿瘤内空间异质性。具体而言，clone2 主要位于中间 (M) 导管，而 clone3 主要位于右侧 (R) 导管，而 clone1 分布在许多导管区域。 ST 肿瘤spot的无监督聚类确定了五个 ST cluster，它们显示空间和基因表达与肿瘤 CellTrek 图一致。基于每个导管的亚克隆组成，我们进行了聚类分析并计算了香农指数，产生了四个具有不同亚克隆组成和空间模式的主要导管簇。总体而言，来自组织右侧部分的导管显示出较低的克隆多样性，而来自中间和左侧区域的一些导管显示出较高的克隆多样性
使用 SCoexp 进一步研究了肿瘤细胞的空间共表达模式，并确定了三个基因模块（K1、K2 和 K3）。 K1 模块在 Clone1 中含量较高，并富含肌动蛋白相关通路。 CellTrek 显示具有高 K1 分数的细胞在空间上对应于肿瘤克隆 1。 相比之下，K2 在 Clone2 和 Clone3 中含量较高，并且富含对雌二醇、乳腺导管形态发生和一些分解代谢过程的反应。 有趣的是，K3 模块在增殖肿瘤细胞方面非常活跃，并且与细胞周期相关过程有关。 K3 评分的空间映射显示增殖的肿瘤细胞主要位于几个导管的外围区域附近。 总之，这些数据表明 CellTrek 工具包可以描绘不同肿瘤亚克隆的拓扑图及其在 DCIS 组织中的表达程序。
在另一个具有同步侵入性成分 (DCIS2) 的 DCIS 样本中，我们分析了 3,748 个单细胞（10X Genomics）和 2,063 个 ST spot（Visium，10X Genomics）。 无监督聚类和 DE 分析确定了 10 个簇，包括三个上皮簇、内皮细胞、周细胞、成纤维细胞、髓细胞、NK/T、B 和浆细胞样树突细胞 (pDC)。 CopyKAT 揭示了一个带有 CNA 的非整倍体上皮Cluster（上皮 3）
H&E 图像的组织病理学分析确定了 11 个带有肿瘤细胞的导管区域 (T1-T11) 和包含基质和免疫细胞的中间区域。为了研究肿瘤免疫微环境，我们专注于来自 scRNA-seq 数据的非整倍体细胞和免疫细胞。使用 CellTrek，我们将大部分非整倍体细胞映射到组织学定义的 DCIS 区域，将免疫细胞映射到导管和基质区域周围的区域。有趣的是，我们发现一些免疫细胞，包括 T、B、骨髓细胞和 pDC，聚集在导管外的区域，尤其是 T1、T2、T6 和 T7。将 CellTrek 结果与 H&E 图像相结合，我们假设这些区域中存在三级淋巴结构 (TLS)。为了进一步研究这个问题，我们计算了 ST spot水平的 TLS 分数，发现具有高 TLS 分数的spot通常对应于我们 CellTrek 图中的混合免疫细胞聚集体。此外，我们发现 ST 级 TLS 分数与绘制的免疫细胞计数呈正相关（Pearson's R = 0.36，P = 1.2e-10）。总之，这些结果表明 CellTrek 能够基于 scRNA-seq 和 ST 数据重建空间肿瘤免疫微环境。
接下来，发现一些 T 细胞靠近肿瘤区域，一些位于肿瘤区域的远端。我们进一步分析了 T 细胞并将它们重新聚集成六种细胞状态，包括幼稚 T (NaiveT)、CD4+ T (CD4T)、CD8+ T (CD8T)、调节性 T 细胞 (Treg)、耗竭 CD4+ T (CD4Te) 和耗尽的 CD8+ T (CD8Te) 。研究了这些 T 细胞状态在 CellTrek 图中的分布。值得注意的是，Tregs、CD4Te 和 CD8Te 细胞大多靠近肿瘤细胞。进一步构建了 T 细胞内的空间图，发现来自相同谱系的细胞倾向于在空间上共定位。计算了 T 耗竭分数，发现耗竭分数高的 T 细胞倾向于定位在肿瘤区域附近。 T 细胞与其最近的 15 个肿瘤细胞的 K 距离显示出与 UMAP 上的 T 耗竭评分相反的趋势。正如预期的那样，与非抑制性 T 细胞相比，免疫抑制性 T 细胞（Treg、CD4Te 和 CD8Te）具有更高的耗竭评分。根据 K 距离将 T 细胞二值化为肿瘤远端 (TD) 和肿瘤近端 (TP) 组，发现 TP 组显示出明显高于 TD 组的耗竭评分（P = 1.1e-4），表明存在DCIS 导管区域附近的免疫抑制微环境。还发现了类似的趋势，其中 TP 与 TD 相比，CD4T 和 Treg 细胞的耗竭分数更高，而 NaiveT 细胞的趋势相反。重要的是，TD 组只包含很少的免疫抑制性 T 细胞，这与发现一致，即耗尽的 T 细胞倾向于共定位在 DCIS 区域附近。
髓细胞的重新聚类确定了四种细胞状态，包括常规树突状细胞 (cDC)、单核细胞和两种巨噬细胞亚群（Macro1 和 Macro2）。CellTrek 将大部分 cDC 投影到肿瘤近端区域。空间图显示 Macro2 细胞与Macro1和cDC共定位。然后我们计算了骨髓细胞到肿瘤细胞的K-距离，发现cDCs总体上显示出最低的K-距离，而Macro1细胞具有更高的K-距离。K-距离密度 图显示了类似的趋势。我们进一步检查了 Macro1 细胞的空间共表达，并使用 SCoexp 确定了两个主要基因模块（K1、K2）和一个次要模块。K1 模块在来自肿瘤远端区域的巨噬细胞中更活跃，并且相关 具有多个 C1Q 基因、HAVCR2、CD74、HLA-DRA 等。相反，K2 模块显示出相反的空间模式并与 CHIT1、CSTB、APOC1、MARCO 等相关
为了正交验证 CellTrek 推断的肿瘤和免疫细胞的空间分布，我们对来自 DCIS2 和另一个 DCIS 样本 (DCIS3) 的组织切片的靶向探针进行了免疫荧光 (RNAscope) 实验。该数据表明，DCIS 肿瘤细胞区域具有 ERBB2 的高表达，而 TAGLN 标记了导管的基底上皮层。此外，免疫抑制性 T 细胞标志物，包括 CTLA4 和 FOXP3，在 DCIS2 的 DCIS 区域附近具有高表达，这与 CellTrek 结果一致。同样，在 DCIS3 中，我们在导管附近发现了具有 CTLA4 和 FOXP3 的免疫抑制性 T 细胞。此外，该数据显示 B 细胞 (MS4A1)、单核细胞/巨噬细胞 (CD68) 和树突状细胞 (CD1C) 也在 DCIS 导管区域附近，表明存在 TLS，并且与 DCIS2 的 CellTrek 结果一致。相比之下，在同一组织切片的正常小叶上皮区域中观察到的免疫细胞较少，尤其是免疫抑制性 T 细胞标志物。这些数据证实了我们对使用 CellTrek 推断的 DCIS 肿瘤免疫微环境的发现。
在这里，作者开发了一种新的计算工具 CellTrek，用于基于 scRNA-seq 和 ST 数据重建空间细胞图。与传统的去卷积方法相比，CellTrek 提供了一种新范式，可以将单个细胞直接投影到组织切片中的空间坐标，从而充分利用 scRNA-seq 数据。我们还开发了两个下游计算模块（SColoc 和 SCoexp）来进一步分析 CellTrek 结果。通过重建蜂窝空间图，CellTrek 提供了几个优势。首先，它提供了一种灵活的方法来以空间方式研究单个细胞的任何特征（例如，细胞类型/状态、伪时间），而大多数 ST 解卷积方法只能将SPOT分解为细胞类型，无法实现单细胞级特征映射.其次，CellTrek 非常灵活，可以将任何细胞位置概率/相似性矩阵作为输入来重建细胞图，从而实现进一步的下游分析。第三，通过利用度量学习方法和非线性插值，CellTrek 允许以更高的空间分辨率进行更准确的细胞绘图。最后，随着更高空间分辨率测序技术的发展，CellTrek 完全能够将单个细胞绘制到其他空间测序数据，以提供更高的空间粒度。
首先使用模拟和原位数据集对 CellTrek 性能进行基准测试，然后评估不同数据条件下的准确性和稳健性。 通过将 CellTrek 工具包应用于来自小鼠大脑和肾脏的两个“完善”的数据集，我们展示了其恢复不同细胞类型拓扑结构的能力。 进一步表明，CellTrek 可以通过将分类（即细胞状态）和连续特征（即伪时间）映射到组织切片来识别高分辨率子结构。 SColoc 还可以将不同细胞类型的空间关系重建为图形，可进一步用于细胞间通讯分析。 此外，SCoexp 可以检测多种细胞类型内的空间共表达模块，显示组织切片中的拓扑模式。
在研究中，我们对两个 DCIS 样本进行了匹配的 scRNA-seq 和 ST 实验，并应用 CellTrek 工具包来描绘不同导管区域中肿瘤亚克隆的空间分布和肿瘤免疫微环境的拓扑组织。 在 DCIS1 中，我们发现三个肿瘤亚克隆定位于具有不同克隆多样性水平的不同导管。 尽管先前已经观察到形态学和基因组肿瘤内异质性，但在这里我们报告了 DCIS 组织中导管网络内的空间异质性。 在 DCIS2 中，CellTrek 准确映射了肿瘤
答：单细胞 RNA 测序 (scRNA-seq) 方法可以分析单细胞的转录组,但不能保留空间信息。 相反,空间转录组学 (ST) 分析可以描绘组织切片中的空间区域,但没有单细胞基因组分辨率。 在这里,作者开发了一种称为 CellTrek 的计算方法,它结合了这两个数据集来实现单细胞空间映射。 测试使用模拟研究和两个原位数据集对 Cell...
答：10X Genomics提供的空间转录组数据和单细胞数据联合分析主要涉及以下几种主流方法:1.共表达分析:使用共表达网络分析(WGCNA)或其他相关性分析方法,识别在不同细胞类型或组织区域中共同表达的基因。2.空间映射和细胞类型注释:使用单细胞数据对空间转录组数据中的细胞进行类型注释。这可以通过比较空间数据中的基因表达模式与...
答：Stereoscope 还依赖于常用的假设， 即空间和单细胞数据的计数均遵循负二项分布 。 Stereoscope 包含一个噪声术语作为“虚拟”细胞类型的一种形式，以解释不对称数据集，其中细胞类型在空间和单细胞数据中没有完美重叠。 MLE 用于使用 scRNA-seq 参考数据估计细胞类型特定参数，MAP 用于推断 ST 数据中的细胞...
答：this matrix can be directly obtained from the 10X SpaceRanger software and imported into data format used in a popular python package Scanpy(利用scanpy来读取10X分析数据，也可以联合Suerat进行分析)。d s,g should be fltered to a set of genes expressed in the single cell reference...
答：LIANA（LIgand-receptor AAnalysis frAmework）是一个框架，能够使用不同的资源和方法对来自单细胞转录组学的配体-受体相互作用进行优先排序。 它允许用户系统地生成关于来自给定细胞类型的哪些配体与另一种细胞类型的受体结合的假设。 与 LIANA 相比，NicheNet 旨在深化将配体与一组转录靶标连接起来的细胞内...
答：MIRA 从而在一个有效且可解释的潜在空间中代表细胞状态,推断高保真谱系树,确定分支点命运决定的关键调节因子,并揭示局部可及性对不同位点转录的可变影响 。将 MIRA 应用于表皮维持分化和大脑发育系统,通过多模式单细胞 RNA 测序(scRNA-seq)和来自两个不同平台(SHARE-seq 和 10x )。在每个系统中,MIRA 构建了一个...
答：这部分主要说了一下几方面的内容 1、运用10X单细胞空间两种技术，we combined spatially resolved RNA-seq with high throughput scRNA-seq to study the spatiotemporal interactions and regulatory programs that drive fetal development of the chicken heart。（时空分析，这个看过我文章分析的同学应该...
答：通过对 细胞通讯的分析发现, ovarian基质细胞是细胞间通讯的主要传递者,它们发出的许多信号被颗粒细胞和卵母细胞接收,参与follicle发育。 ovarian基质细胞不是同质细胞群。 将单细胞类型与其空间位置信息相结合,将 ovarian基质细胞分为四种类型,即结构性基质细胞、滤泡周基质细胞、基质祖细胞和类固醇基质细胞,每种类型在...
答：就能得到联合概率 P(x,c) ,也能能得到一个贝叶斯分类器了。那么怎么完成呢?能直接通过样本中的频率来统计吗? 对 P(x|c) 来说,由于它涉及关于x 所有属性的联合概率,直接根据样本出现的频率来估计将会遇到严重的困难,例如,假设样本的 d 个属性都是二值的,则样本空间将有 2 d 种可能的取值,在现实应用中,...
答：小鼠样本组织通常都比较小,实施起来比较麻烦,可以选择一只小鼠做单细胞,另取一只小鼠做空间。小鼠模型的背景均一性较好,这样操作也可以。但是对于肿瘤样本,建议最好还是在同一个样本同时进行单细胞和空间转录组。 最后,讨论一下,如何进行单细胞和空间转录组的联合分析? 前面说过,通过单细胞转录组可以获取研究对象的细胞...
