通过整合空间转录组学与组织学推断超分辨率组织结构（iStar ）

作者，Evil Genius

时间很快，上半年很快过去了。

很多人问我坚持就一定有好结果么？说实话，我也不知道， ，但是闲着干嘛呢？反正都能用的到。

今日参考文章Inferring super-resolution tissue architecture by integrating spatial transcriptomics with histology（Nature Biotechnology，IF 46.9）

知识背景

• 空间转录组学(ST)在生成组织内复杂的细胞分子图谱方面显示出巨大的潜力
• 空间转录组学(ST)技术的快速发展使得在原始组织环境下分析基因表达成为可能，能够表征空间基因表达模式，研究细胞间通讯并解决细胞发育的时空顺序。尽管有许多ST平台可用，但没有一个提供全面的解决方案。理想的ST平台应该提供单细胞分辨率，覆盖整个转录组，捕获大的组织区域，并且具有成本效益。虽然在现有平台上生成此类ST数据仍然具有挑战性，但可以采用计算方法在计算机上重建此类数据。
• 流行的ST实验方法包括原位测序或基于杂交的技术，如STARmap, seqFISH和MERFISH，以及空间条形码，随后是基于测序的新技术，如10x Visium, SLIDE-seqV2和Stereo-seq。这些平台的空间分辨率和基因覆盖范围各不相同。原位测序或基于杂交的方法通常具有较高的空间分辨率和灵敏度，但相对较低的基因多样性，而基于测序的方法覆盖整个转录组，但具有较低的空间分辨率，这限制了它们研究详细基因表达模式的能力。
• 先前的研究表明，基因表达模式与组织学图像特征相关，提示从组织学预测基因表达的可能性。然而，这些现有的方法并没有充分利用高分辨率组织学图像提供的丰富细胞信息。在实践中，病理学家分级检查组织学图像。在这个过程中，第一步是通过检查捕获全局组织结构的高级图像特征来确定感兴趣的区域。在确定感兴趣的区域后，检查反映组织局部细胞结构的低水平图像特征。
• 开发了超分辨率的分析模型，使空间基因表达接近单细胞级别（iStar ），该模型利用每个超像素（256 × 256-pixel scale）处的组织学特征，将每个基因在给定点的基因表达量划分为多个值，每个超像素（256 × 256-pixel scale）处分配一个值。此外，只要有组织学图像，该模型可以预测斑点外以及外部组织切片中的超像素级基因表达。

Model summary of iStar. The histology image is hierarchically divided into tiles, which are then converted into hierarchical histology image features. These features, combined with the spot-level gene expression data, are then utilized to predict super-resolution gene expression.

• 将其应用于来自10x genomics生成的Xenium乳腺癌数据集的模拟数据集。Xenium数据集包括313个基因的亚细胞ST数据，这些数据是在单个患者连续切割的两个组织切片中测量的。istar预测的基因表达与Xenium测量的相似。

• iStar对多个组织切片的组织结构进行高分辨率注释的能力，显示出了空间组织的高变分辨结构。

Tissue annotation using iStar

• iStar可以用于检测多细胞结构，如三级淋巴结构(TLSs)。由于TLSs的尺寸小且粒度细，使用点分辨率Visium数据进行TLSs的人工检测是劳动密集型和不精确的。

总结

• 总之，iStar，这是一种基于从缺乏单细胞分辨率的平台生成的ST数据快速注释超分辨率组织结构的方法。这对实际研究具有重要意义，因为现有的ST平台缺乏单细胞分辨率或全转录组覆盖。然而，iStar使我们能够以接近单细胞的分辨率生成覆盖整个转录组的ST数据。

Correlation between super-resolution gene expression and histology

| Super-resolution vs spot-level signature scoring of tertiary lymphoid structures (TLSs)

最后，实例代码在https://github.com/daviddaiweizhang/istar

礼拜天的关系，我就先测试了，等我用实际项目分析一下，再来分析其分析效果

生活很好，有你更好