作者，Evil Genius
周五了，我们来总结一些方法上的运用吧
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。
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。
2022年8月发表于nature的文章Spatial multi-omic map of human myocardial infarction单细胞空间联合分析的方法是cell2location，注意这里联合的时候采用的是每张切片匹配的单细胞数据进行的联合，其他单细胞数据排除在外。
2022年9月发表于EBioMedicine的文章Integrated single-cell transcriptomic analyses reveal that GPNMB-high macrophages promote PN-MES transition and impede T cell activation in GBM单细胞空间联合采用的是Seurat 的打分函数AddModuleScore ，查看细胞类型的空间分布的，但空间数据是数据库中的，所以样本数据不匹配。
2022年8月发表于Developmental Cell的文章Single-cell and spatial mapping Identify cell types and signaling Networks in the human ureter单细胞空间联合的方法是Seurat，当然，marker基因辅助注释，这里空间样本较少，直接联合，没有强调样本是否匹配。
2022年7月发表于nature的文章Single-cell roadmap of human gonadal development单细胞空间联合采用的cell2location，虽然样本不是完全匹配的模式，但也是相同阶段的单细胞样本来注释空间。
2022年7月发表于Frontiers in Medicine的文章Spatially Resolved Transcriptomes of Mammalian Kidneys Illustrate the Molecular Complexity and Interactions of Functional Nephron Segments单细胞空间联合分析的方法是RCTD，而且是匹配的样本数据。
2022年6月发表于Nature Neuroscience的文章Identification of early neurodegenerative pathways in progressive multiple sclerosis采用了多种联合的方法，包括RCTD, DWLS and SPOTlight，最后验证空间注释的鲁棒性，采用最优的分析结果（因为样本不是完全匹配的关系）。
2022年6月发表于Cell Stem Cell的文章Lymphatics act as a signaling hub to regulate intestinal stem cell activity单细胞空间联合分析的方法是BayesPrism，这是老版的bulk数据解卷积的方法。
2022年4月发表于Nature Communications的文章Single-cell and spatial analysis reveal interaction of FAP+ fibroblasts and SPP1+ macrophages in colorectal cancer单细胞空间联合分析采用老式的方法CIBERSORTx打分。
2021年12月发表于Nature Genetics的文章Mapping the temporal and spatial dynamics of the human endometrium in vivo and in vitro单细胞空间联合分析的方法是cell2location 。
2021年10月发表于Nature Communications的文章Spatial deconvolution of HER2-positive breast cancer delineates tumor-associated cell type interactions单细胞空间联合采用方法stereoscope，比较老的解卷积方法。
2021年9月发表于Nature Genetics的文章Spatially restricted drivers and transitional cell populations cooperate with the microenvironment in untreated and chemo-resistant pancreatic cancer单细胞空间联合的时候，细胞大类采用Seurat 的联合方法，
但是在肿瘤细胞小类的联合分析中采用了RCTD的方法，不过也体现了人为划区的重要性。
2021年9月发表于Nature Genetics的文章A single-cell and spatially resolved atlas of human breast cancers单细胞空间联合采用方法Stereoscope，这是原来bulk解卷积的方法。
2021年8月发表于Cell Metabolism的文章Spatial mapping reveals human adipocyte subpopulations with distinct sensitivities to insulin单细胞空间联合分析的方法是stereoscope软件。
2021年7月发表于Molecular Neurodegeneration的文章The landscape of human tissue and cell type specific expression and co-regulation of senescence genes单细胞空间联合分析的方法是Seurat。
2021年7月发表于Nature Immunology的文章The cellular architecture of the antimicrobial response network in human leprosy granulomas单细胞空间联合分析的方法是Seurat，但是对空间的注释很巧妙，大家应该学习一下。
