内容分享--使用空间转录组学解码细胞间通讯

作者，Evil Genius

今天我们分享内容，很有含金量

理解细胞间通讯（CCC）是空间生物学的基石，它能揭示组织微环境中的分子相互作用。一种细胞状态表达的配体与其共定位伙伴细胞状态中的同源受体之间的关系，构成了组织功能与结构的基础。近年来，Xenium、MERSCOPE、CosMx、seqFISH和Slide-seqV2等技术使得CCC预测成为可能，但仍存在灵敏度低、基因检测数量有限等挑战，阻碍了空间细胞聚类和细胞类型鉴定。将空间转录组数据与单细胞RNA测序（scRNA-seq）数据整合计算，为解决这些限制提供了强大工具。

NiCo（Niche Covariation）计算框架通过三方面推进CCC分析：

• 细胞类型注释：通过scRNA-seq标签转移对空间细胞类型进行高精度注释，优于其他方法，并结合直观的可视化呈现组织切片中的细胞分布模式。
• 互作推断：构建邻近矩阵捕获细胞类型共定位实例，通过分类器预测细胞类型间的互作强度，经模拟数据验证后可评估空间互作的功能关系。
• 基因程序共变预测：整合scRNA-seq数据，通过潜在基因因子（默认3个）回归分析，推断共定位细胞间基因程序的统计学显著关联，揭示CCC的潜在调控网络，超越单基因表达层面。

NiCo文章在

在组织中，细胞状态的变异可归因于内在和外在决定因素。例如，转录因子与调控位点的随机结合可能导致同一状态下细胞间mRNA分子的强烈波动。这种转录爆发（transcriptional bursting）代表了一种细胞内在的变异来源，甚至可能被主动调控并用于发育过程的调节。而外在分子决定因素则源于组织中的细胞间通讯，包括分子信号传递、物理相互作用和代谢物竞争。细胞间通讯对发育、稳态、疾病进展和再生等生理过程至关重要。

将单个mRNA分子定位到特定细胞是测量邻近细胞基因表达共变以理解外在驱动因素的前提，目前仅能通过基于成像的方法（允许细胞分割）实现。

细胞转录状态的外在决定因素（源于微环境）可通过邻近细胞的基因表达共变揭示。NiCo（Niche Covariation）通过整合基于成像的空间转录组与匹配的scRNA-seq参考数据，在细胞类型分辨率下推断基因程序的生态位共变。创新点在于整合全基因组scRNA-seq数据与单细胞分辨率空间转录组，避免计算且噪声高的单细胞空间映射，转而提取可解释的潜在因子（反映scRNA-seq和空间数据中的细胞状态变异），并利用这些因子推断邻近细胞类型的基因程序共变。

需要输入的数据

• 空间数据：经细胞分割的基因-细胞计数矩阵及二维细胞中心坐标；
• scRNA-seq数据：基因-细胞计数矩阵及涵盖空间数据中所有预期细胞类型的标签。

NiCo的多步骤分析流程

• 细胞类型注释：通过scRNA-seq标签转移标注空间数据中的细胞类型；
• 生态位结构解析：识别每个“中心细胞类型”（CC）的邻近生态位细胞类型；
• 共变推断：分析共定位细胞类型间的潜在因子共变，并关联至功能通路与分子信号互作

关键技术步骤

• 注释优化：通过互最近邻（MNN）校正技术偏差，利用Leiden聚类修剪离散锚点，迭代标注非锚点细胞。
• 生态位互作预测：训练正则化逻辑回归模型，根据局部生态位中细胞类型的标准化频率预测中心细胞身份，回归系数优先化潜在互作伙伴（图1“Interactions”）。
• 潜在因子提取：

整合性非负矩阵分解（NMF）：联合空间与scRNA-seq数据（共享基因集）推断细胞状态变异的潜在因子； 替代方案：若空间数据受技术噪声（如分割误差导致的“信号溢出”）主导，则仅对scRNA-seq数据执行常规NMF，再推断空间数据中这些因子的细胞载荷。

• 共变分析：通过岭回归检验中心细胞潜在因子与生态位细胞因子的共变性，显著系数指示正/负共变关系，并结合scRNA-seq数据通过通路富集分析解析功能模块。

那么在文章中的运用也显得尤为重要。

代码示例在https://nico-sc-sp.readthedocs.io/en/latest/

尤其是分析LR的部分

生活很好，有你更好