GTAD——一种基于图形的推断细胞空间组成的方法
文章：Zhang, T., Zhang, Z., Li, L., Dong, B., Wang, G., & Zhang, D. (2024). GTAD: a graph-based approach for cell spatial composition inference from integrated scRNA-seq and ST-seq data. Briefings in Bioinformatics, 25(1), bbad469. https://academic.oup.com/bib/article/25/1/bbad469/7484598
组织中，不同类型的细胞通过其空间组织和结构执行其功能。空间转录组学 (ST) 使得在保留空间信息的同时测量基因表达成为可能，帮助研究空间背景下的细胞异质性、细胞间通讯。然而，ST分析存在固有的局限性，主要是空间上的每个点（Spot）会覆盖多个细胞。因此，识别每个点的不同细胞类型是空间转录组学一个重要的发展目标。
为了研究ST中的细胞类型分布，目前常见的策略是与scRNA结合。主流方法是反卷积方法，通过回归模型、深度学习模型或者拟合概率分布来估算每个空间位置的细胞类型比例。深度学习模型常常结合多个细胞来模拟真实ST数据。在此步骤中，通常将多个细胞的基因表达值求和为空间上单个点的基因表达，以得到拟空间（pseudo-ST）数据。但由于批次效应的影响，scRNA-seq组成的拟空间数据与真实空间转录组数据还是差异明显。
因此我们可以看到，拟空间数据和真实空间数据之间的对应关系非常重要。本文提出的GTAD方法，是利用Graph Attention Network模型进行反卷积，用Seurat的IntegrateData方法将生成的拟空间数据和真实空间数据整合，来消除它们之间的批次效应。之后采用random projection forest的方法构建一个weighted adjacency matrix，来准确表示拟空间数据和真实空间数据的拓扑关系。
作者为了验证GTAD 方法对复杂组织的解析能力，使用了来自小鼠大脑皮层的 10X Visium ST 数据以及scRNA-seq 数据（metadata显示该组织包含 28 种不同的细胞亚型）。图中A是小鼠脑组织切片。图B是皮层内每个空间点的预测细胞类型组成。此外，GTAD 方法预测的每个区域的细胞组成提供了异质性的详细信息。例如，L2/3 亚群在皮层外部区域表现出较高的比例，而 L6b 细胞比例较高的点主要位于皮层内部。这些发现与皮质组织的层状细胞结构一致。
