模拟数据生成
创建具有已知真实相互作用的模拟空间转录组数据，以控制评估工具性能。
使用真实的Visium坐标和人类胰腺scRNA-seq参考数据（Baron等人），通过负二项分布模拟基因表达，并在空间相邻的发送-接收细胞对中上调选定的L-R基因对。生成100个点水平数据集和50个单细胞分辨率数据集。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
解析空间解析转录组学中细胞串扰的工具基准测试
Benchmarking tools for deciphering cellular crosstalk in spatially-resolved transcriptomics
实验完整度
高该研究包含模拟实验（50个单细胞和100个点水平数据集）和九个来自三个平台（Visium、Stereo-seq、Xenium）的真实ST数据集，涵盖多种组织，并通过多种指标（如F1分数、精确度、召回率、Jaccard指数）进行了功能验证和机制验证。
主要模型
模拟单细胞分辨率和点水平空间转录组数据 人胰腺IPMN组织切片 人背外侧前额叶皮层组织切片 小鼠胚胎E10.5样本 人肺癌组织样本
重点核对
模拟中L-R对嵌入表达的倍数变化（5x、10x、15x） 单细胞模拟中空间邻域大小k（18、36、60） 点水平模拟中全局表达分位数阈值（25th、50th、75th） 统计显著性阈值（p<0.05等） L-R数据库来源（原生数据库与公共数据库）
摘要
背景：通过配体-受体信号传导进行的细胞间通讯是塑造组织微环境中多细胞组织和功能异质性的基本机制。空间转录组学（ST）的最新进展为在天然空间背景下系统推断此类相互作用提供了前所未有的机会。虽然先前的研究已经总结或比较了现有的细胞间相互作用（CCI）推断方法，但针对ST应用专门开发的工具的综合基准测试仍然有限。结果：在这里，我们对九种计算CCI推断方法在一系列真实模拟设置和来自三项独立研究的九个真实ST数据集（涵盖Visium、Stereo-seq和Xenium平台）上进行了全面评估。方法性能根据配体-受体预测准确性、相互作用的空间一致性、通过通路富集分析的生物学相关性以及计算效率进行评估。结论：我们的结果表明，工具性能在空间分辨率、组织背景和平台之间存在显著差异，为工具选择提供了实用指导。这项研究还强调了将现有工具应用于真实ST数据的关键挑战，并为未来空间分辨细胞间相互作用分析的进展提供了见解。补充信息：在线版本包含补充材料，可访问10.1186/s13059-026-04063-5。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 系统评估现有计算CCI推断工具在空间转录组学数据（包括模拟和真实数据）上的性能，以指导工具选择并突出挑战。
- 核心机制
- 不同工具在建模假设（如细胞类型混合物处理、空间邻近性利用、统计测试框架）上的差异导致其性能在不同空间分辨率和数据库设置下表现出显著差异，没有单一方法普遍最优。
- 主要证据
- 基于50个单细胞和100个点水平模拟数据集（嵌入已知L-R相互作用）以及来自Visium、Stereo-seq和Xenium平台的九个真实ST数据集（包括IPMN、DLPFC、小鼠胚胎和肺癌）的基准测试，使用F1分数、精确度、召回率、特异性、Jaccard指数等指标评估，并通过通路富集分析与文献支持的通路进行比较。
- 研究意义
- 作者提出该基准测试提供实用指导，帮助研究者根据数据分辨率和生物学问题选择适当的CCI推断工具，并为未来方法开发和基准测试研究提供框架。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模拟数据基准测试
评估各工具在模拟数据上恢复已知相互作用的能力。
使用精度、召回率、特异性和F1分数评估各工具在不同显著性阈值（p<0.05, 0.1, 0.2）下的性能。
真实数据集分析
评估各工具在真实空间转录组数据上的生物学相关性和跨样本一致性。
应用九种工具于九个真实ST数据集，包括IPMN（Visium）、DLPFC（Visium）、小鼠胚胎（Stereo-seq）和肺癌（Xenium）。使用通路富集分析比较推断的相互作用与文献支持的通路，并使用Jaccard指数评估跨样本一致性。
计算效率评估
评估各工具在不同规模数据集上的运行时和内存使用情况。
在Visium、Stereo-seq和Xenium数据集上测量各工具的墙上时钟时间和峰值内存。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 模拟数据生成 | 模拟参数（如L-R过表达倍数、空间邻域大小、分位数阈值） 阅读提示：Methods: Simulation design overview and expression-based embedding strategy; Simulation study with spot-level resolution spatial datasets; Simulation study with single cell resolution spatial datasets |
| 真实数据分析 | 数据预处理和细胞类型注释 阅读提示：Methods: Real data analyses |
| 通路富集分析 | KEGG通路富集参数（背景基因、显著性阈值） 阅读提示：Methods: Pathway enrichment |