时空轨迹和空间细胞相互作用

作者，Evil Gneius

今天我们来分享一个内容，即从空间角度看待空间轨迹和空间通讯。

这部分是复习内容，周五了，大家也该休息了。

空间的数据类型：基因表达、物理距离、组织形态。

目前的空间平台

• Visium11, NanoString Spatial Profiling, seqFISH+, MERFISH and Slide-seq2
• 寻因、华大、百迈客、德运康瑞

其中我们关注的内容

• 1、伪时空(PSTS、pseudo-time-space)，来模拟和揭示经历动态变化的组织中细胞转录状态之间的关系。
• 2、空间细胞-细胞相互作用。
• 3、纠正技术噪声/dropout并增加ST数据准确率。

每个方向都有了很多的内容

空间轨迹方向

单细胞、空间、外显子分析方法更新

空间轨迹向量场2

单细胞轨迹分析之应用篇

空间轨迹向量场

单细胞个性化分析之轨迹分析篇

时空轨迹分析导论

空间转录组之空间基因和细胞轨迹

空间通讯方向

10X单细胞空间通讯分析之最新版cellphoneDB（v4）解读

通过空间行为（optimal transport）推断空间细胞间通讯信号方向(COMMOT)

时空通讯分析策略

空间注释新思路与临近通讯新玩法

时空通讯分析大盘点

单细胞个性化分析之多样本细胞通讯比较篇

单细胞个性化分析之细胞通讯篇

数据矫正方向

10X空间转录组去污染分析之SpotClean

10X空间转录组数据分析汇总2

分析软件stlearn

生物组织代表了极其复杂和动态的细胞生态系统，其功能是由细胞类型、它们的局部组成和状态、分布模式和细胞间相互作用驱动的。在任何特定区域和时间，这些特征的性质是组织发育、体内平衡、修复和对环境信号反应的关键决定因素。单细胞RNA测序(scRNA-seq)是一种具有单个细胞分辨率的超灵敏和高通量技术，它的出现导致了新细胞类型的发现，也扩大了我们对细胞转录状态如何随实验刺激和/或环境变化而变化的理解。然而，目前关于细胞类型和状态的知识往往仍然缺乏关键的背景信息，即它们在健康或患病状态下如何在其原生组织环境中共存、相互作用和交流。

空间转录组学(ST)可以在不需要组织分离的情况下以无偏的方式分析转录组范围内的基因表达，从而保留空间信息。

组织形态和基因表达密切相关，与结合两种数据类型的模型相比（单细胞 + 空间），单独使用成像或基因表达数据在预测细胞类型和/或疾病阶段方面的准确性较低。

空间的数据分析要求：ST数据分析方法需要将空间和成像信息与基因表达数据结合起来，共同研究细胞-细胞通信和/或细胞状态(轨迹)的空间变化等重要过程。

分析原理

整合ST数据中两种或所有类型的信息，即基因表达、组织形态(可选)和空间距离。

Spatial analysis algorithm simplemented in stLearn

空间轨迹的实际运用：推断细胞状态在组织空间和时间上的变化

scRNA-seq数据的一个缺点是，关于细胞在更广泛的组织中的位置的解剖信息丢失了，就像局部细胞邻居的背景一样。此外，scRNA-seq数据中的轨迹重建是在相同细胞类型的所有细胞都是从相似的祖细胞和/或细胞状态发育而来的假设下产生的。然而，如果一种细胞类型实际上分布在不同的区域，或者该细胞类型可能发生区域特异性变化，那么这种假设就不成立了;这方面的例子包括组织损伤和炎症以及转移性肿瘤。如果基因表达信息与细胞分布数据相结合，这一缺点可以用ST来解决。

细胞类型的时空变化

Pseudo-time-space (PSTS) trajectory analysis and validation in a mouse model of traumatic brain injury (TBI)

Application of pseudo-time-space (PSTS) analysis to embryonic mouse brain development and human breast cancer metastasis

空间这种直接轨迹的方式推荐度不高，细胞之间的混合状态直接计算轨迹还是有问题，但是寻因平台是可以参考的。

空间通讯

scRNA-seq数据缺乏空间背景，这意味着可以预测空间上彼此相距很远的细胞类型之间的相互作用，因此不太可能直接相互作用。

核心一句，通讯需要考虑空间位置信息。

不同的分辨率、不同的尺度、技术和生物系统下都能有效地识别和排序健康和患病状态下的重要LR对。

空间通讯软件的相互比较

• Squidpy,CellPhoneDB, NATMI, SingleCellSignalR, CellChat, NCEM, SpaTalk and spaOTsc。

对于非单细胞分辨率的ST数据(例如Visium)，没有考虑到每个SPOT可能是细胞类型的混合物的方法可能会明显歪曲基因表达与细胞类型信息的关联，从而预测细胞和/或细胞类型之间的许多假阳性相互作用。

不考虑空间信息的方法也可能预测远端细胞类型之间的相互作用。任何此类预测都不太可能代表真正的相互作用，因为这些相互作用通常发生在200 μm的范围内。

空间数据矫正

一般来说，单细胞和基于空间pcr的测序技术存在dropouts，即由于少量起始材料的捕获效率不理想(或缺乏)而导致低表达基因的误检。此外，空间测序具有无法测量的组织区域。例如，Visium测序数据在两个spot之间有一个空间，而大多数其他空间技术只测量感兴趣的选定区域，而没有捕获其他区域。所以需要解决这两个限制的imputation方法。

方法在stlearn

生活很好，有你更好