内容汇总--空间转录组的三种分析模式

作者，Evil Genius

今天我们汇总一下空间转录组的三种分析模式。

首先单变量分布模式 :分析关注单个变量的空间分布，而不考虑与其他变量的关系。

其意义在于识别并量化单个生物特征（如一个基因、一种细胞类型） 在组织空间中的分布规律。它解决了“它在哪里表达/存在？分布是否均匀？是否有空间趋势或聚集？”的问题。这是后续所有复杂分析的基础。

空间趋势分析：使用广义加性模型或空间平滑方法，模拟基因表达或细胞丰度随空间坐标（如从皮层表层到深层、从癌巢到间质）的连续变化梯度。

低精度：

stereo-seq

高精度（Xenium、CosMx）

二元空间关系

分析意义：

探究两个生物实体在空间上的相互作用关系。其核心是量化空间邻近性是否超过了随机预期，从而推断潜在的功能性相互作用或空间排斥。

关键应用：

细胞-细胞相互作用：量化免疫细胞与肿瘤细胞的共定位（如CD8+ T细胞浸润），或细胞类型的相互排斥（如特定基质细胞与肿瘤区域分离）。

配体-受体共定位：评估配体表达细胞与受体表达细胞在空间上的邻近性，为细胞通信提供空间证据。

基因-基因共表达：分析两个基因在单细胞或亚细胞水平的空间共表达模式，提示潜在的共调控或功能协同。

实现方法：

基于距离的共定位量化：

交叉K函数/Ripley’s K：计算在给定半径范围内，一种细胞类型（或基因阳性细胞）周围，另一种细胞类型（或基因阳性细胞）的数目是否显著多于随机分布。

最近邻距离分析：计算细胞类型A到细胞类型B的最近邻距离分布，并与通过空间位置随机化生成的零分布进行比较。

细胞邻接分析：基于Delaunay三角剖分或Voronoi图构建细胞邻接网络，统计不同类型细胞互为邻居的频率。

配体-受体共表达分析：

空间相关法：计算配体基因和受体基因表达向量的空间相关性（如Spearman相关）。

细胞邻近通信评分：对于每个细胞，根据其邻近细胞中配体/受体的表达水平，计算一个潜在的通信得分（如NicheNet、CellChat的空间扩展方法）。

低精度

stereo-seq

高精度（Xenium、CosMx）

高级结构

分析意义：

识别由多个变量（基因、细胞类型）协同定义的、在空间上连续或重复出现的功能单元或微环境。它超越了成对关系，旨在发现组织中稳定且具有生物学意义的空间模块。

关键应用：定义空间功能域、细胞生态位、肿瘤微环境亚型、组织结构相关的多细胞群落。

实现方法：

无监督空间聚类：

基于特征的聚类：利用所有基因的表达谱（或重要基因子集）进行聚类（如K-means， 层次聚类），并将聚类标签映射回空间，检查其空间连续性。常用工具如BayesSpace、SpaGCN专门优化了空间平滑性。

基于图的聚类：首先构建细胞的空间邻域图（基于坐标），然后在图上进行聚类（如Leiden算法），使聚类结果天然具有空间连续性。

生态位/微环境识别：

多元共现模式分析：利用非负矩阵分解或主题模型（如LDA），将每个空间位置分解为若干“生态位主题”的混合，每个主题由一组共现的细胞类型或基因定义。

基于细胞邻域组成的聚类：对于每个细胞，统计其周围一定半径内所有细胞类型的组成，形成一个“微环境向量”，然后对这些向量进行聚类，从而定义重复出现的多细胞生态位。

低精度

Stereo-seq

高精度（Xenium、CosMx）

最后汇总一下

生活很好，有你更好。