作者，Evil Genius
昨天我们上了空转第六课，基本上描述了常见的单细胞空间联合分析方法的内容，这一篇做一下总结。
SPOTlight（Nucleic Acids Research）
应用场景：Spatial decomposition（空间分解）
算法：Seeded NMF regression（基于种子的非负矩阵因子分解回归）
优点：跨多个组织的高精度
缺点：没有将捕获的位置信息合并到模型空间分解中
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。
开发：最初是为 10X 的 Visium - 空间转录组学技术开发的。
图像处理：无
示例可视化结果（无HE底片）：
RCTD（nature biotechnology）
应用场景：Spatial decomposition（空间分解）
算法：Poisson distribution with MLE（泊松分布的最大似然估计）
优点：系统地模拟平台效应
缺点：假设平台效应在细胞类型之间共享，没有将捕获的位置信息合并到模型空间分解中
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。
开发：基于 Slide-seqV2的高灵敏度近单细胞精度的空间转录组学（10~20um，华大数据合并到这个地步也可以采用）。
图像处理：无
CRAD（nature biotechnology）
应用场景：Spatial decomposition（空间分解）
算法：基于条件自回归的反卷积
优点：考虑空间位置的临近关系，通过CAR模型解释跨空间位置的细胞类型组成的空间相关性；可以输入marker基因，CARD 可以进行无细胞类型特异性参考矩阵的去卷积分析。
缺点：采用类似bulk的解卷积方法进行空间注释
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。
开发：针对10X、slide-seq等开发，适用于10X。
图像处理：无
DSTG（Briefings in Bioinformatics）
应用场景：Spatial decomposition（空间分解）
算法：Semi-supervised GCN（半监督图卷积神经网络）
优点：比基准工具更精确
缺点：高度依赖于建模图卷积神经网络的链接图的质量（伪bulk匹配空间数据）
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。
开发：针对10X、slide-seq等开发，适用于10X。
图像处理：无
stereoscope（Nature Biotechnology）
应用场景：Spatial decomposition（空间分解）
算法：Negative binomial distribution with MAP（具有最大后验概率的负二项分布）
优点：利用完整的表达谱而不是选定的标记基因来实现更高的准确性（使用单细胞数据来描述每个细胞类型的表达谱，然后在每个捕获位置内找到这些类型的组合）。
缺点：需要更深的测序深度
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息，或者直接匹配h5ad格式。
图像处理：有
CellDART
应用场景：Spatial decomposition（空间分解）
算法：adversarial discriminative domain adaptation，ADDA
优点：用单细胞数据构建伪空间SPOT，伪SPOT与真实的SPOT构建神经网络，构建分类器。
缺点：特异性不够高
解卷积读取方式：*抽取单细胞空间的矩阵和坐标信息。
图像处理：无
CellTrek（Nature Biotechnology）
应用场景：Spatial decomposition（空间分解）
算法：将 ST 和 scRNA-seq 数据集成并共嵌入到共享特征空间中，使用 ST 数据训练multivariate random forests (RF) model，以使用共享降维特征预测空间坐标
优点：解卷积效果较好
缺点：十分依赖数据的匹配程度
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。
图像处理：无
好了，方法有很多，但是最值得大家关注的方法，还是cell2location，我们今晚（10.17）讲最后一种单细胞空间联合分析的方法（MIA），这是从另外一个角度解析我们的空间数据。
生活很好，有你更好。
