数据收集与预处理
获取用于基准测试的跨平台转录组数据集和单细胞参考数据。
收集了公开的PBMC和骨髓单细胞数据集，以及10×Visium和GeoMx DSP平台生成的真实数据（包括卵巢癌、胶质瘤和脑转移样本）。对单细胞数据进行细胞类型注释，对空间数据进行区域注释。
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
跨平台转录组数据中细胞类型去卷积的基准测试
Benchmarking cell-type deconvolution in cross-platform transcriptomic data
实验完整度
高包含模拟数据（基于公开单细胞数据生成伪批量样本）和真实实验数据（GeoMx DSP、Visium、mIF）两个独立证据层级，并进行了功能验证（去卷积性能评估）和机制验证（类器官等）。
主要模型
PBMC单细胞数据集 健康骨髓单细胞数据集 人卵巢癌10×Visium空间转录组数据 人胶质瘤和脑转移样本的GeoMx DSP和Visium数据
重点核对
基因panel：不同的基因panel（如10×Visium WTA、靶向免疫学、靶向泛癌等）对去卷积性能有影响，需确认基因panel与签名矩阵的基因重叠。 测序深度：模拟掉采样至0.002%原始reads，Cell Ranger重新比对，需确认测序深度对性能的影响，尤其是低深度（约11 reads/cell）时EPIC和cell2location仍表现良好。 样本细胞数：模拟不同细胞数（6-16、75-496、600-3996个细胞/样本），需确认细胞数对性能的影响，RCTD和cell2location在细胞数少时表现好。 签名矩阵：使用不同签名矩阵（safeTME、LM22、TIL10、ImmunoStates）对性能有影响，需确认与基因panel的匹配。 GEO数据访问：使用特定的GEO数据集（如GSE271255, GSE338144, GSE338314）需确认其可用性和数据版本。
摘要
背景
来自多种测量技术的转录组数据被广泛用于研究组织异质性。细胞类型去卷积是一种关键的分析方法，它可以将混合的转录组信号分解为细胞组分。然而，由于平台特定的实验和技术偏差，跨平台实现准确去卷积仍然具有挑战性。
结果
我们使用真实世界的跨平台数据集和模拟不同技术特征的模拟数据，系统地评估了去卷积性能。SpatialDecon和cell2location在模拟和实验环境中，在广泛的技术偏差范围内表现出最可靠和一致的性能。
结论
我们的结果强调了不同的去卷积工具如何受到依赖于转录组平台间技术差异的数据属性的影响。此外，我们为根据实验设计选择计算稳健的去卷积跨平台转录组数据的方法提供了实用指南。
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
- 系统评估不同转录组平台和实验条件下，细胞类型去卷积工具的可靠性和可重复性，并为跨平台数据选择去卷积方法提供指导。
- 核心机制
- 去卷积工具的性能受基因panel、测序深度、样本细胞数和签名矩阵等实验因素影响，这些因素依赖于平台的技术差异（如mRNA捕获化学、基因覆盖范围）。
- 主要证据
- 基于公开单细胞数据模拟伪批量样本，以及真实实验数据（GeoMx DSP、Visium、mIF），比较了多种去卷积工具的性能，发现SpatialDecon和cell2location在模拟和实验条件下均表现一致。
- 研究意义
- 为跨平台转录组数据去卷积提供实用指南，强调根据实验设计选择合适工具的重要性，并指出基因panel设计应纳入信息丰富的基因以改善细胞类型分辨率。
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。
模拟伪批量数据生成
系统地评估不同实验因素（基因panel、测序深度、细胞数）对去卷积性能的影响。
从单细胞数据中随机采样细胞，聚合为伪批量样本。模拟不同基因panel（通过过滤基因）、不同测序深度（通过reads downsampling）、不同细胞数（通过调整采样细胞数量）。
去卷积工具应用
使用多种去卷积工具估计伪批量样本和真实数据的细胞类型比例。
应用了quanTIseq、EPIC、MCPcounter、SPOTlight、SpatialDecon、RCTD、cell2location、CARD和CIBERSORT等工具。对于需要单细胞参考的工具，使用相应的参考数据集。
性能评估
量化去卷积预测与真实比例之间的一致性，并比较不同工具和条件下性能。
使用Pearson相关系数（PCC）、中心对数比（CLR）残差和Aitchison距离（AD）作为评估指标。将预测的比例与真实比例（模拟数据）或mIF计数（真实数据）进行比较。
跨平台验证
在真实实验数据上验证模拟结果，并评估跨平台一致性。
分析了匹配的GeoMx DSP和Visium数据，以及mIF数据。比较了不同工具预测的B/T细胞比例与mIF计数，以及与Visium的匹配。
参数鲁棒性分析
评估标准化方法和签名矩阵选择对去卷积性能的影响。
测试了四种标准化方法（原始计数、TPM、Q3、分位数）和四种免疫细胞签名矩阵（TIL10、LM22、safeTME、ImmunoStates）以及定制矩阵。
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。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 空间转录组学 | 10x Genomics Visium | 10x Genomics | -- |
| NanoString GeoMx DSP | NanoString | -- | |
| 单细胞转录组学 | 10x Genomics Chromium | 10x Genomics | -- |
| BD Rhapsody | BD Biosciences | -- | |
| mIF | 多重免疫荧光 | -- | -- |
| 测序 | NextSeq 1000 | Illumina | -- |
| 组织成像 | PhenoImager HT | Akoya Biosciences | -- |
| RT-qPCR | Visium PCR接头 | 10x Genomics | -- |
| 样品制备 | FFPE组织切片 | -- | -- |
| 去卷积 | quanTIseq | -- | -- |
| EPIC | -- | -- | |
| MCPcounter | -- | -- | |
| SPOTlight | -- | -- | |
| SpatialDecon | -- | -- | |
| RCTD | -- | -- | |
| cell2location | -- | -- | |
| CARD | -- | -- | |
| CIBERSORT | -- | -- | |
| 数据分析 | R | -- | -- |
| Cell Ranger | 10x Genomics | -- | |
| Space Ranger | 10x Genomics | -- | |
| Loupe Browser | 10x Genomics | -- | |
| seqtk | -- | -- |
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 |
|---|---|
| 数据获取 | 使用的GEO数据集（GSE271255, GSE338144, GSE338314）和公共数据集（如10x Genomics卵巢癌）的版本和访问时间。 阅读提示：Methods - 'Cross-platform datasets included in the study' 和 'Data availability' 部分。 |
| 单细胞数据处理 | 细胞类型注释流程：使用SingleR和MonacoImmuneDataset，聚类参数（k=10），以及细胞类型分组（如CD4+和CD8+ T细胞合并为T细胞）。 阅读提示：Methods - 'Cell-type annotation' 部分。 |
| 伪批量模拟 | 每个条件下伪批量样本数量（30），细胞数范围（如600-3996等），细胞类型组成（B、T、单核、NK），以及用于EPIC时排除单核细胞。 阅读提示：Methods - 'Generation of simulated datasets from single-cell transcriptomic data' 和 'Simulation of different cell numbers per sample' 部分。 |
| 基因panel模拟 | 使用的5种基因panel的具体基因列表（见补充表S3），以及用于选择基因panel的过滤方法。 阅读提示：Methods - 'Simulation of different gene panels' 部分。 |
| 测序深度模拟 | reads降采样比例（60%, 20%, 1%, 0.02%, 0.002%），使用seqtk，Cell Ranger版本（9.0.0）和参考基因组（GRCh38-2024-A）。 阅读提示：Methods - 'Simulation of sequencing depth' 部分。 |
| 去卷积工具参数 | 各工具的具体参数：EPIC的mRNAProportions和cellFractions，cell2location的min cells=2000, regularisation constant=100, 10000 epochs，RCTD的full mode，SpatialDecon的默认safeTME。 阅读提示：Methods - 'Transcriptional deconvolution' 部分。 |
| 标准化方法 | 使用的标准化方法（TPM, Q3, quantile）及其对结果的影响。 阅读提示：Methods - 'Different normalisation approaches' 部分。 |
| 签名矩阵选择 | 使用的签名矩阵（TIL10, LM22, safeTME, ImmunoStates）和定制矩阵的构建方法。 阅读提示：Methods - 'Signature matrices' 部分。 |