作者，Evil Genius
昨天我們上了空轉第六課，基本上描述了常見的單細胞空間聯(lián)合分析方法的內(nèi)容，這一篇做一下總結。
SPOTlight（Nucleic Acids Research）
應用場景：Spatial decomposition（空間分解）
算法：Seeded NMF regression（基于種子的非負矩陣因子分解回歸）
優(yōu)點：跨多個組織的高精度
缺點：沒有將捕獲的位置信息合并到模型空間分解中
解卷積讀取方式：抽取單細胞空間的矩陣和坐標信息。
開發(fā)：最初是為 10X 的 Visium - 空間轉錄組學技術開發(fā)的。
圖像處理：無
示例可視化結果（無HE底片）：
RCTD（nature biotechnology）
應用場景：Spatial decomposition（空間分解）
算法：Poisson distribution with MLE（泊松分布的最大似然估計）
優(yōu)點：系統(tǒng)地模擬平臺效應
缺點：假設平臺效應在細胞類型之間共享，沒有將捕獲的位置信息合并到模型空間分解中
解卷積讀取方式：抽取單細胞空間的矩陣和坐標信息。
開發(fā)：基于 Slide-seqV2的高靈敏度近單細胞精度的空間轉錄組學（10~20um，華大數(shù)據(jù)合并到這個地步也可以采用）。
圖像處理：無
CRAD（nature biotechnology）
應用場景：Spatial decomposition（空間分解）
算法：基于條件自回歸的反卷積
優(yōu)點：考慮空間位置的臨近關系，通過CAR模型解釋跨空間位置的細胞類型組成的空間相關性；可以輸入marker基因，CARD 可以進行無細胞類型特異性參考矩陣的去卷積分析。
缺點：采用類似bulk的解卷積方法進行空間注釋
解卷積讀取方式：抽取單細胞空間的矩陣和坐標信息。
開發(fā)：針對10X、slide-seq等開發(fā)，適用于10X。
圖像處理：無
DSTG（Briefings in Bioinformatics）
應用場景：Spatial decomposition（空間分解）
算法：Semi-supervised GCN（半監(jiān)督圖卷積神經(jīng)網(wǎng)絡）
優(yōu)點：比基準工具更精確
缺點：高度依賴于建模圖卷積神經(jīng)網(wǎng)絡的鏈接圖的質量（偽bulk匹配空間數(shù)據(jù)）
解卷積讀取方式：抽取單細胞空間的矩陣和坐標信息。
開發(fā)：針對10X、slide-seq等開發(fā)，適用于10X。
圖像處理：無
stereoscope（Nature Biotechnology）
應用場景：Spatial decomposition（空間分解）
算法：Negative binomial distribution with MAP（具有最大后驗概率的負二項分布）
優(yōu)點：利用完整的表達譜而不是選定的標記基因來實現(xiàn)更高的準確性（使用單細胞數(shù)據(jù)來描述每個細胞類型的表達譜，然后在每個捕獲位置內(nèi)找到這些類型的組合）。
缺點：需要更深的測序深度
解卷積讀取方式：抽取單細胞空間的矩陣和坐標信息，或者直接匹配h5ad格式。
圖像處理：有
CellDART
應用場景：Spatial decomposition（空間分解）
算法：adversarial discriminative domain adaptation，ADDA
優(yōu)點：用單細胞數(shù)據(jù)構建偽空間SPOT，偽SPOT與真實的SPOT構建神經(jīng)網(wǎng)絡，構建分類器。
缺點：特異性不夠高
解卷積讀取方式：*抽取單細胞空間的矩陣和坐標信息。
圖像處理：無
CellTrek（Nature Biotechnology）
應用場景：Spatial decomposition（空間分解）
算法：將 ST 和 scRNA-seq 數(shù)據(jù)集成并共嵌入到共享特征空間中，使用 ST 數(shù)據(jù)訓練multivariate random forests (RF) model，以使用共享降維特征預測空間坐標
優(yōu)點：解卷積效果較好
缺點：十分依賴數(shù)據(jù)的匹配程度
解卷積讀取方式：抽取單細胞空間的矩陣和坐標信息。
圖像處理：無
好了，方法有很多，但是最值得大家關注的方法，還是cell2location，我們今晚（10.17）講最后一種單細胞空間聯(lián)合分析的方法（MIA），這是從另外一個角度解析我們的空間數(shù)據(jù)。
生活很好，有你更好。
