模拟数据验证
评估niche-DE的I型错误控制、功效、对overdispersion和spot swapping的鲁棒性以及运行时效率
基于真实Visium数据模拟无生态位效应和有效应数据，分别进行无和有空间污染的处理，计算QQ图、功效、运行时等
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
Niche-DE：空间转录组数据中的生态位差异表达分析识别依赖于细胞间相互作用的细胞类型特异性基因
Niche-DE: niche-differential gene expression analysis in spatial transcriptomics data identifies context-dependent cell-cell interactions
实验完整度
高包含模拟数据验证、真实空间转录组数据分析及多组学验证（CODEX、scRNA-seq），涵盖方法有效性验证与生物学应用。
主要模型
Simulated CosMx SMI、Slide-seq、Xenium数据 10X Visium肝转移结直肠癌样本 慢性肾脏病Visium样本 COSMX SMI非小细胞肺癌数据
重点核对
模拟数据中未加入生态位效应时，niche-DE的p值应服从均匀分布（图2B） 加入生态位效应后，不同效应大小下的检验功效（图2C） 不同spot大小下，敏感性随分辨率降低而下降，特异性保持（图2F） CODEX数据验证GAL3表达与成纤维细胞生态位负相关（图4D） scRNA-seq模块评分验证TAM标志基因（图5F）
摘要
现有的空间转录组数据分析方法侧重于描绘细胞类型在组织中的全局基因表达变化，而非由细胞间相互作用驱动的局部基因表达变化。我们提出了一种新的统计方法，称为生态位差异表达（niche-DE）分析，它能够识别细胞类型特异性的生态位相关基因，这些基因在特定空间生态位的背景下，在特定细胞类型内差异表达。我们进一步开发了niche-LR，一种揭示生态位差异基因表达模式背后的配体-受体信号传导机制的方法。Niche-DE和niche-LR适用于低分辨率的基于斑点的空间转录组数据以及单细胞或亚细胞分辨率的数据。
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
- 如何从空间转录组数据中识别细胞类型特异性的生态位相关基因，并揭示其配体-受体信号机制？
- 核心机制
- 细胞类型特异的生态位相关基因表达受局部生态位组成影响，配体-受体信号通路（如LAMA1/ITGA1、JAG2/NOTCH1、CXCL1/CXCR1等）是潜在机制。
- 主要证据
- 模拟数据验证了方法有效性；在肝转移样本中，niche-DE识别出成纤维细胞和巨噬细胞的标志基因，并通过CODEX和scRNA-seq部分验证；在肾纤维化中，识别出已知的纤维化相关基因。
- 研究意义
- niche-DE可整合多个组织切片，为理解细胞间相互作用及其对基因表达的影响提供新工具，并可用于发现新的生物标志物和药物靶点。
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。
伪斑点数据生成与敏感性/特异性分析
评估在更低分辨率数据中采用niche-DE恢复生态位基因的能力
将三个亚细胞分辨率数据集（Slide-seq cerebellum，CosMx SMI NSCLC，Xenium breast cancer）划分为正方形伪斑点，聚合计数，并应用niche-DE，以高分辨率结果为金标准计算敏感性和特异性
配体-受体分析（niche-LR）
推断导致生态位差异表达的配体-受体信号机制
整合niche-DE统计量和NicheNet配体-靶基因矩阵，计算配体活性评分，并验证配体和受体的表达
肝转移结直肠癌样本分析
识别肿瘤-成纤维细胞和肿瘤-巨噬细胞之间的生态位相互作用
对5个10X Visium肝转移样本应用niche-DE和niche-LR，使用RCTD进行去卷积，进行通路富集分析，并通过CODEX和scRNA-seq验证
慢性肾脏病样本分析
识别成纤维细胞和近端小管细胞之间的生态位相互作用
对两个10X Visium肾纤维化样本应用niche-DE，使用CellTrek进行去卷积，进行通路富集分析和配体-受体分析
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。
验证免疫效应
验证机制链路
产品清单
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 |
|---|---|
| 模拟实验 | 模拟数据生成细节，包括负二项分布的均值、overdispersion参数、spot swapping模型参数 阅读提示：Methods：数据模拟（Bleeding simulations） |
| 伪斑点生成 | 用于划分伪斑点的网格大小、聚合规则 阅读提示：Methods：伪斑点数据生成（Pseudo-spot data generation） |
| 肝转移分析 | 去卷积方法（RCTD）、参数设置（C、M、γ）、FDR阈值、核带宽 阅读提示：Methods：参数选择、数据分析；图3、图4、图5、补充文件 |
| 肾纤维化分析 | 去卷积方法（CellTrek）、参数设置（C、M、γ）、FDR阈值、核带宽 阅读提示：Methods：参数选择、数据分析；图6 |
| 配体-受体分析 | NicheNet矩阵版本、参数K、M、α，以及配体和受体表达验证的回归模型 阅读提示：Methods：配体-受体分析（Ligand-receptor analysis） |