Nat. Biotechnol. | DestVI:识别空间转录组数据中细胞类型的连续性

编译 | 程昭龙 审稿 | 林荣鑫，王静

本文介绍由以色列魏茨曼科学研究所免疫学系的Ido Amit和美国加州大学伯克利分校电气工程与计算机科学系的Nir Yosef共同通讯发表在 Nature Biotechnology 的研究成果：大多数空间转录组学技术都受到其分辨率的限制，虽然与单细胞RNA测序的联合分析可以缓解这一问题，但目前的方法仅限于评估离散的细胞类型，揭示每个位点内细胞类型的比例。为了识别同一类型细胞内转录组的连续变异，本文作者利用变分推理开发了空间转录组图谱的反卷积模型（DestVI）。经实验证明，DestVI在估计每个位点内每种细胞类型的基因表达方面优于现有的方法，DestVI还可以为实验中的细胞组织提供高分辨率、准确的空间特征，并识别不同组织区域或不同条件之间基因表达的细胞类型特异性变化。

1

简介

空间转录组学(ST)为定义细胞生态位的组织和调节细胞间的相互作用提供了新的机会。它已被应用于复杂组织的研究，如小鼠大脑和人类心脏。目前已存在多种用于对组织切片进行ST分析的方法，尽管这些的分析都具有丰富的数据，但也需要自动化和定量的计算分析。为了克服这一限制，此类数据集通常与来自同一组织的单细胞RNA测序 (scRNA-seq) 数据集相匹配。分析这类数据集时，首先从scRNA-seq数据推断出一个细胞类型字典，然后使用线性模型估计每个位点中每种细胞类型的比例。虽然对scRNA-seq数据进行更深层次的聚类可以提供更精细的转录组分辨率，但会使反卷积问题更加困难，结果可能不太准确。

因此，作者提出了一种用于ST数据中细胞类型的多分辨率反卷积的贝叶斯模型（DestVI），与其他方法不同，DestVI使用条件深度生成模型来学习离散的细胞类型特异性图谱和连续的亚细胞类型潜在变异。通过这种方式，它可以恢复细胞类型比例 (CTP) 以及每个位点转录状态的细胞类型特异性快照。DestVI具有一个事后分析管道，通过突出空间变化的主轴来帮助指导不同形式的下游分析。该管道还使用户能够使用细胞类型特异性差异表达 (DE) 提取特定组织切片或同一组织内不同区域的分子特征。

2

结果

空间转录组学的多分辨率反卷积

DestVI使用两种不同的潜在变量模型 (LVM) 来推断CTP以及特定细胞类型的连续子状态。DestVI将一对数据集作为输入：来自同一组织的查询ST数据和参考scRNA-seq数据，并用细胞类型标签进行注释。输出包括每个位点的CTP和每个位点中每个细胞类型的细胞状态的连续估计（图1）。然后，这些信息可用于下游分析和生物学假设的制定。

图1 DestVI的ST分析流程图

为了对参考 scRNA-seq 数据进行建模，DestVI的第一个LVM（单细胞潜在变量模型（scLVM）；图2）假设为：对于每个基因g和细胞n，观察到的转录本数量服从负二项分布。为了对ST数据建模，DestVI的第二个LVM（空间转录组潜在变量模型（stLVM）；图 3）假设为：对于每个基因g和每个位点s，观察到的转录本数量也服从负二项分布。并且，为了促进与scRNA-seq测量结果的一致性，stLVM使用由scLVM训练的相同解码器神经网络，为了拟合stLVM，DestVI依赖于一种最大后验概率估计（MAP）方案。由此产生的模型支持多种类型的任务来分析新的数据集，其中一些任务作者在DestVI下游分析的自动化管道中实现。同时，作者还提出了一种细胞类型特异性DE程序，它有助于对同一组织内不同条件或不同区域的组织进行比较分析。

图2 scLVM的原理图

图3 stLVM的原理图

使用模拟数据验证DestVI

大多数反卷积的基准分析侧重于给定算法重现每个位点中细胞类型比例的能力。然而，为了全面评估DestVI的性能，以推断除CTP之外连续的细胞状态，作者构建了一个更细致的模拟框架，该框架还考虑了细胞类型的变异性（图4）。在该模拟方案中，每个位点由CTP以及每种类型的细胞状态定义。

图4 半模拟框架图

为了评估每个模拟点推断的CTP和细胞类型特异性基因表达的准确性，作者用几种方法对DestVI进行了基准测试，如离散反卷积方法和将ST数据与scRNA-seq数据嵌入的方法。实验证明，在CTP估计方面，嵌入方法的性能通常低于专门为反卷积设计的方法（图5a），因为这些嵌入方法没有明确考虑空间点可能包含混合的细胞类型。对于细胞类型特异性基因表达的插补（图5b），反卷积方法的性能在很大程度上取决于聚类水平。事实上，这些方法在更高分辨率（每种细胞类型超过四个集群）下优于基于嵌入的方法，但在低子集群分辨率下表现较差。DestVI的无子聚类方法优于该任务中的所有方法，因为这些基准测试方法都没有利用输入子群（即集群和子集群）的分层特性，而作者通过加入一个额外的基线来利用这些信息并表明了DestVI 与其相比具有优势。总之，DestVI能够在CTP的离散水平和细胞类型特异性基因表达的连续水平上提供更准确的估计。

图5 基准测试方法性能评估

单细胞空间转录组数据集的验证

由于Visium或Slide-seq实验中缺乏真实数据，因此这是评估DestVI在真实数据集上性能的一个障碍。然而，sci-Space提供了一种评估DestVI的方法，因为它包含了单细胞分辨率的转录信息和粗略空间信息（约200 µm）。实验结果表明，在这种更现实的情况下，无论是在预测CTP还是在推断细胞类型特异性基因表达方面，DestVI仍然是表现最好的方法。

DestVI识别淋巴结中的空间免疫反应

在DestVI的首次应用中，作者研究了通过耻垢分枝杆菌（MS）刺激48小时后小鼠耳淋巴结抗原特异性免疫的空间模式。为了进行空间分析，作者使用Visium 平台来分析四个淋巴结切片（其中两个切片用MS刺激，另两个切片来自对照 (PBS) 注射，并在同一Visium载玻片的两个捕获区域进行处理）。通过DestVI，作者还探索了感染诱导的每个细胞转录状态差异是如何与空间组织变化相关联的，实验结果发现单核细胞倾向于形成空间连贯的生态位，与对照组相比，在受刺激的淋巴结中具有更强的共定位程度（图6）。总而言之，DestVI分析的独特特征能够对原始和病原体攻击的淋巴结内的细胞类型和状态进行稳健的空间表征。

图6 DestVI在小鼠淋巴结中的应用

DestVI识别肿瘤核心中巨噬细胞的缺氧状态

为了将DestVI应用于更复杂且结构更少的组织，作者使用Visium对同基因小鼠肿瘤模型 (MCA205) 进行了空间分析。通过实验分析可知，DestVI能够提供MCA205肿瘤中主要免疫亚群空间组织的精确详细视图。总体来说，DestVI可以正确地将免疫细胞的细胞类型映射到位点坐标上，并识别出一个清晰且特有的生态位，该生态位涉及巨噬细胞群体内缺氧反应的代谢变化。进一步的实验验证表明，DestVI可以成为探索免疫治疗下不同肿瘤模型中复杂细胞类型特异性表型变化的可靠工具。

3

总结

作者提出的DestVI是一种使用辅助scRNA-seq数据集对ST图谱进行反卷积的多分辨率方法。通过模拟表明，基于对scRNA-seq数据进行聚类的经典反卷积方法可能难以应用，并且在细胞类型连续变化的情况下可能会丢失重要信息。DestVI通过在scRNA-seq数据上学习特定细胞类型的潜在变量，使用深度生成模型并将这些潜在变量映射到空间数据上来解决这个问题。与作者开发的自动化管道相结合，DestVI可以提供可解释的分析，以便比较不同条件下或同一组织切片的不同生态位之间的细胞基因表达水平。并且，在该研究中，作者为DestVI使用了一组固定的超参数。

DestVI还可以从建模角度进一步改进，例如，可以通过使用更具原则性的错误发现率 (FDR) 控制程序来改进DE分析的输出。此外，将位点位置显式地合并到stLVM模型中也可能是有益的。

文中描述的DestVI的两种应用都侧重于10x Visium协议，与Slide-SeqV2、HDST和Seq-Scope等新兴技术相比，该协议的空间分辨率通常较低。即便如此，对大多数高分辨率方法生成的数据进行分析仍然具有挑战性，因为无法保证单个细胞的完美空间结构。DestVI概括了最初Seq-Scope研究的主要发现，与最初使用的单细胞管道相比，它在整个组织中提供了更多可聚集的细胞类型比例。在模拟实验中，DestVI 在更稀疏的数据集上仍然具有竞争力。最后，作者认为DestVI方法可以提供必要的分辨率，并进一步增强对局部信号环境的理解，以及了解它们如何影响细胞功能和空间线索，例如特定细胞亚群之间的相互作用、化学梯度和代谢串扰。

参考资料

Lopez, R., Li, B., Keren-Shaul, H. et al. DestVI identifies continuums of cell types in spatial transcriptomics data. Nat Biotechnol (2022).

https://doi.org/10.1038/s41587-022-01272-8

数据及代码链接：

https://github.com/romain-lopez/DestVI-reproducibility

https://doi.org/10.5281/zenodo.4685952