热点综述 | 单细胞+空间转录组的整合分析方法总结

目前scRNA-seq将每个转录物与单个细胞相关联，但关于这些转录物在组织中的位置信息丢失了；相反的，空间转录组学技术知道转录物的位置，却不知道是哪个细胞产生了转录物。因此，scRNA-seq与空间转录组学的整合可以产生组织中细胞亚群的高分辨率图谱。

来自美国的科研人员在《Nature reviews genetics》发表综述文章，回顾了整合scRNA-seq与空间转录组学技术研究的尝试和努力，包括新兴的整合计算方法，并提出了有效结合当前方法的途径。

整合scRNA-seq和空间转录组学研究的流程模式

scRNA-seq+空间组学整合分析的研究进展

目前已有整合空间转录组学和scRNA-seq数据分析的研究，提供了组织组成和功能的新见解。下表展示了相关的研究现状，包括正常的组织稳态和发育、肿瘤微环境、其他病变和损伤的微环境等方向。

解析scRNA-seq和空间转录组数据的研究

scRNA-seq+空间组学整合分析的计算方法

鉴于空间转录组学方法还不能在组织中产生深层单细胞分辨率的转录组图谱，能够成功整合单细胞和空间转录组数据的分析将有助于理解细胞类型分布的结构以及构成这种结构的细胞间通讯的假定机制。整合scRNA-seq和空间转录组数据有两种主要方法：去卷积（Deconvolution）和映射（Mapping）。去卷积旨在根据单细胞数据，从每个捕获点的mRNA转录物的混合物中分离出离散的细胞亚群；映射有两方面：将指定的基于scRNA的细胞亚型定位到HPRI图谱上的每个细胞和将每个scRNA-seq细胞定位到组织的特定生态位或区域。

单细胞和空间转录组数据的整合策略

去卷积：从单个捕获点中分离出离散的细胞亚型。去卷积有两种主要方法：推断一个特定spot的细胞亚型比例和对一个特定的空间转录组spot进行评分，以确定它与单个细胞亚型的对应程度。

基于推理的去卷积技术涉及估计每个细胞类型在特定捕获点的比例。这种形式的去卷积的方法之一是采用基于统计回归的模型，各种线性回归模型已被应用于解卷bulk RNA-seq混合物。

估计每个细胞类型在给定捕获点中的确切比例的补充方法是通过贝叶斯统计框架，将概率分布与scRNA-seq数据的基因计数分布相适应。其中SPOTlight 的基准测试策略是最彻底的：评估细胞类型检测的准确性、敏感性和特异性以及与真实情况的整体相关性。此外，通过HPRI可以获得更高分辨率的亚型空间定位的物理验证。

有许多基于富集分数的去卷积技术，例如Seurat 3.0和多模态交叉分析等；解决数据集不匹配的去卷积技术策略，例如SpatialDWLS等。

映射：以单细胞分辨率创建空间分辨率的细胞类型映射。就像去卷积一样，绘制图谱的第一步是基于scRNA-seq数据建立细胞亚型。然后，映射的主要挑战是将基于scRNA-seq的细胞类型从HPRI数据分配到每个细胞上。对14种已发表的算法进行系统评估，这些算法通过基于聚类的分析实现了映射的批量校正策略，确定了三种最有效地将scRNA-seq数据与单细胞分辨率空间数据集成的算法：LIGER、Seurat Integration（来自Seurat 3.0）和Harmony。这三种算法最终都是使用不同的方法将聚类集成到低维空间中，通过对聚类的群体检测得到细胞类型。

将空间数据纳入细胞间通讯分析。细胞亚群之间的相互作用介导组织内稳态、发育和疾病。空间转录组学数据非常适合于评估由scRNA-seq计算的配体-受体相互作用的可靠性。预测参与细胞间通讯的配体-受体相互作用对的标准算法主要是结合scRNA-seq数据和已知配体-受体相互作用的数据库。有许多方法可以破译这种细胞间通讯机制。例如Giotto、SpaOTsc算法等。此外，空间数据可用于评估scRNA-seq图谱重建和估算的配体-受体相互作用，例如novoSpaRc算法。

scRNA-seq+空间组学整合分析的未来方向

其他整合模式

目前，空间转录组学技术主要集中在通过下一代测序（空间条形码）或荧光标记（HPRI）来检测mRNA转录。然而，空间转录组学实验产生的组织切片的组织学图像往往没有被利用。目前已经开发了一些算法，例如基于大量的空间变异在组织结构水平上直观表现的前提，一个研究小组开发了一种深度学习算法ST-Net，可以预测每个空间条码捕获点叠加到组织结构上的102个基因的表达空间变化。此外，XFuse结合了空间条码和组织学切片来预测单细胞分辨率的表达。这些深度学习模型的Saliency图对于提取与转录组中单个基因的表达有关的新空间特征至关重要。除了改进去卷积和绘制图谱的算法外，一个需要关注的焦点是开发更多的深度学习模型，以帮助区分特定空间转录组的哪些特征是最有生物学意义的。

定义三维空间转录组和实时细胞追踪为未来的研究提供了新的领域。目前，对三维空间转录组的研究大多采用高密度切片，通过三维单分子荧光原位杂交数据进行计算重建或推断scRNA-seq细胞的位置。STARmap和ExSeq是新开发的方法，将HPRI与完整组织转化为水凝胶相结合，以保留扩增子的 3D 排列。

虽然可以描绘出整个发育或组织发病的时间过程的空间转录组，但空间转录组技术并不能实时监测细胞亚型的物理动力学。光学相干断层扫描已被用于跟踪肿瘤相关骨髓细胞的迁移，CellGPS已与正电子发射断层扫描一起用于跟踪携带放射性同位素的人类乳腺癌细胞。当与空间转录组学相结合时，这两种实时跟踪技术都可以应用于空间数据中感兴趣的细胞类型，以阐明环境中的细胞动力学，例如癌症免疫治疗期间的转移进展和免疫细胞动力学。

通过在空间上解析与分子生物学中心法则不可或缺的其他生物分子，超越时空转录组的解析，可以更深入地了解组织功能。例如DBiT-seq可以在同一组织上对蛋白质和mRNA转录物进行空间解析。基因组序列的三维原位成像、RNA的亚细胞分辨率以及核仁和RNA的三维染色质组织的同步成像都存在于单细胞尺度。它们有望应用于完整的组织，并彻底改变我们对中心法则机制如何在细胞的三维环境中发挥作用的理解，从而揭示发育轨迹和疾病（即癌症）的内部工作机制。

临床相关性

对病变组织和健康组织进行比较分析的空间转录组学研究已经开始阐明预后、最佳治疗和潜在的治疗靶点。然而，这样的研究在样本量上是有限的，到目前为止还处于探索阶段。为了加快数据生成的速度，分析可以集中在描述数量较少的驱动疾病相关表型的感兴趣区域。除了描述患者预后的趋势外，研究现有药物，尤其是重新利用的药物，如何影响疾病驱动细胞类型的时空基因表达模式，可能有助于深入了解潜在的治疗药物。在这方面，通过NASC-seq等方法监测mRNA转录对刺激的反应可能有助于更好地理解药物干扰如何影响病变细胞的空间转录组。一旦这些患者组织数据被整合，深度学习模型可以帮助识别与生存结果或治疗反应最相关的空间表达模式，潜在地突出有利的靶标，以便在治疗期间重现或补充干预节点。

随着更多空间转录组学分析的进行，解开确定的、与疾病相关的细胞类型及其基因模块将变得越来越具有挑战性。越来越多的细胞类型在组织中被识别和定位，Seurat Integration、Harmony 和 LIGER 等工具可能会升级以整合不同实验测定的数据，来确定是否在每个组织中始终观察到特定的细胞类型。此外，整合每个器官系统和疾病的空间转录组学数据将是有价值的，例如SpatialDB数据库、Allen Brain Atlas等。最终，更明确的疾病驱动细胞类型的空间转录组，特别是对于细胞功能特别依赖于原位环境和邻近细胞群的情况，可能产生更有效的生物学机制以用于治疗靶向。

检测空间转录组的技术正在迅速发展，因此没有单一的空间转录组学技术适合所有应用。根据所提出的生物学问题，实验方法可以将任何空间转录组学方法与scRNA-seq结合起来。除了开发增强的方法外，选择整合这些数据的算法是至关重要的，因为空间转录组学方法还不存在以单细胞分辨率、scRNA-seq深度和整个转录组覆盖率对组织进行空间解析的方法。这种整合的方法可以在空间上绘制发育和疾病中的特定细胞亚群，并阐明这些细胞亚群协同形成组织表型的机制。

首发公号：国家基因库大数据平台

参考文献

Longo, S.K., Guo, M.G., Ji, A.L. et al. Integrating single-cell and spatial transcriptomics to elucidate intercellular tissue dynamics. Nat Rev Genet (2021). https://doi.org/10.1038/s41576-021-00370-8

图片均来源于参考文献，如有侵权请联系删除。