空间转录组: 反卷积

摘要：基于测序的空间转录组（ST）数据在每个 spot 中可能包含 0 到多个细胞，这些细胞可能完全被 spot 覆盖，也可能只是部分被覆盖，具体取决于平台的空间分辨率以及组织细胞的密度。数据的这一特点意味着一个 spot 内可能存在细胞类型的混合，因此也会出现转录

本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！

基于测序的空间转录组（ST）数据在每个 spot 中可能包含 0 到多个细胞，这些细胞可能完全被 spot 覆盖，也可能只是部分被覆盖，具体取决于平台的空间分辨率以及组织细胞的密度。数据的这一特点意味着一个 spot 内可能存在细胞类型的混合，因此也会出现转录程序的混合。

上图展示了 10x Genomics Visium spot（直径为 55 µm；紫色线）叠加在苏木精-伊红（H&E）染色图像上的情况。spot 之间的中心距为 100 µm（黄线），典型免疫细胞的直径约为 10 µm（青线）。

为了帮助理解这些混合物，目前已有至少 20 种反卷积技术被提出，用于 spot 级别的 ST 数据。某些方法需要从单细胞 RNA 测序（scRNA-seq）参考数据集中借用信息，而另一些方法则无需参考。根据底层算法将这些方法分为五大类：

probabilistic-based：使用贝叶斯推断、似然估计或概率建模来估算细胞类型组成，同时纳入不确定性。可用工具包括 R 中的 spacexr（即 RCTD）、CARD、SpatialDecon 和 STdeconvolve，以及 Python 中的 std-poisson、stereoscope、scvi-tools（即 DestVI）、STRIDE 和 cell2location。non-negative matrix factorization (NMF)-based：将基因表达数据分解为代表不同细胞类型的潜在成分。可用工具包括 R 中的 Giotto（即 SpatialDWLS）和 SPOTlight，以及 Python 中的 NMFReg。graph-based：使用图神经网络或基于图的优化来建模空间关系。可用工具包括 R 中的 SD2，以及 Python 中的 DSTG 和 SpiceMix。optimal transport (OT)-based：通过将 scRNA-seq 与 ST 数据进行映射，推断空间基因表达分布。可用工具包括 Python 中的 SpaOTsc 和 novosparc。deep learning-based：利用神经网络对齐并整合单细胞与空间转录组数据。例如 Python 中的 Tangram。

其中，std-poisson、STdeconvolve 和 SpiceMix 为无需参考的方法。纳入空间位置信息的方法有 CARD、DSTG、SD2、Tangram、cell2location、DestVI、std-poisson 和 SpiceMix。

本文将展示在每个 spot 上进行细胞类型反卷积，使用 RCTD 在 Visium 和 VisiumHD 数据集上的应用。

library(OSTA.data)library(VisiumIO)library(SpatialExperiment)library(ggspavis)library(spacexr)library(CARDspa)library(ggplot2)library(patchwork)library(DropletUtils)library(BiocParallel)library(scran)library(scater)library(pheatmap)

在 Visium 乳腺癌数据中，我们在没有单细胞（Chromium）参考的情况下进行细胞类型去卷积，并将结果与 10x Genomics 提供的 Visium 注释进行一致性比较。

# retrieve dataset from OSF repositoryid import# retrieve spot annotations & add as metadatadf