空间转录组学数据分析软件包和算法的比较分析

空间转录组数据分析软件包和算法的比较分析

识别空间可变基因（SVG）

SpatialDE

方法：高斯过程回归

执行：Python

优点：目前该类别中最受欢迎的package

缺点：将表达量很低的基因标记为SVG，并进行两个归一化步骤

GitHub：https://github.com/Teichlab/ SpatialDE

SPARK

方法：广义线性空间模型

执行：R

优点：不需要对数据进行归一化处理，并对type I error进行控制

缺点：与SpatialDE相比，准确性没有显著提高

GitHub：https://github.com/xzhoulab/ SPARK

Trendsceek

方法：标记点过程法

执行：R

优点：报告的假阳性率低

缺点：识别的SVG数量非常少，对较大的数据集没有效果

GitHub：https://github.com/edsgard/ trendsceek

BOOST-GP

方法：分层贝叶斯模型

执行：R

优点：在0 counts较多的数据集中，准确率比其他软件包好

缺点：在有许多0 counts的情况下，准确率仍然很低

GitHub：https://github.com/Minzhe/ BOOST-GP

SOMDE

方法：自组织映射（SOM）算法

执行：Python

优点：即使在非常大的数据集中也能有效地识别SVG

缺点：在低dropout rate的数据集中，不如SpatialDE好。

GitHub：https://github.com/ WhirlFirst/somde

scGCO

方法：图形切割算法

执行：Python

优点：结果比SpatialDE更具有可重复性。可用于有数百万个细胞的数据集

缺点：~35%的标记SVG不可复现https://github.com/ WangPeng-Lab/scGCO

GitHub：https://github.com/Minzhe/ BOOST-GP

识别空间可变基因（SVG）+其他能力

GP counts

方法：高斯过程回归

执行：Python

优点：可以确定时间轨迹并执行伪时间分析

缺点：大型数据集的计算效率不明确

GitHub：https://github.com/ ManchesterBioinference/ GPcounts

STUtility

方法：空间自相关

执行：R

优点：图像处理和从多个样本创建3D模型的能力

缺点：识别SVG和定义组织异质性的准确性没有得到全面的审查

GitHub：https://github.com/ jbergenstrahle/STUtility

从丢失的转录本中重新获取数据

Sparcle

方法：极大似然估计(MLE)

执行：Python

优点：独特的功能，可与其他软件包一起使用

缺点：专门为smFISH开发

GitHub：https://github.com/ sandhya212/ Sparcle_for_spot_ reassignments

识别细胞类型

SpatialDWLS

方法：阻尼加权最小二乘法（DWLS）

执行：R

优点：先验知识可以结合起来

缺点：在真实数据集上的性能没有得到验证

GitHub：https://github.com/rdong08/ spatialDWLS_dataset

FICT

方法：生成混合模型

执行：Python

优点：解决过度依赖表达数据的问题

缺点：在细胞数较少的数据集上性能下降

GitHub：https://github.com/ haotianteng/FICT

RCTD

方法：监督学习

执行：R

优点：可以对scRNA-Seq和SRT数据集的跨平台效应进行标准化处理

缺点：需要注释良好的scRNA-Seq数据集

GitHub：https://github.com/dmcable/ RCTD

聚类

SpatialCPie

方法：不同的聚类算法

执行：R

优点：可以对不同的组织亚型进行不同分辨率的聚类；聚类图是SRT中可视化聚类来源的一种新方法

缺点：缺少与其他软件包的对比验证

GitHub：https://github.com/ jbergenstrahle/SpatialCPie

Pipeline

Giotto

执行：R

优点：选择用于识别细胞类型中标记基因的算法，用于低分辨率 SRT 数据的专用流程

缺点：缺乏对不同平台采集的不同生物组织的验证

GitHub：https://github.com/RubD/ Giotto

Squidpy

执行：Python

优点：模块化，因此可以在分析中纳入其他软件包

缺点：细胞邻域的可重复性不强

GitHub：https://github.com/theislab/ squidpy

参考文献

Charitakis N., Ramialison M., Nim H.T. (2022) Comparative Analysis of Packages and Algorithms for the Analysis of Spatially Resolved Transcriptomics Data. In: Passos G.A. (eds) Transcriptomics in Health and Disease. Springer, Cham. https://doi.org/10.1007/978-3-030-87821-4_7