基于定性参考的空间转录组学稳健空间细胞类型解卷积

Robust Spatial Cell-Type Deconvolution with Qualitative Reference for Spatial Transcriptomics.

作者信息Qishi Dong, Yi Yang, Ziye Luo, Haipeng Shen, Xingjie Shi, Jin Liu
PMID40059456
发布时间2025-05
DOI10.1002/smtd.202401145

实验完整度

中

提出QR-SIDE计算模型,使用模拟数据和三个真实空间转录组数据集验证,与六种方法比较,但未包含湿实验功能验证。

主要模型

模拟空间转录组数据(基于小鼠乳腺scRNA-seq聚合) 小鼠嗅球ST v1.0数据 人肝细胞癌10x Visium数据(4张切片) 小鼠矢状脑10x Visium数据(前、后切片)

重点核对

模拟场景1-8:每个场景重复10次,每次随机选取5个细胞类型构建900个斑点,HVG限3000(15个标记基因+2985个非标记基因),因子模型维度15 小鼠嗅球数据:ST v1.0 Section 12,16034个基因×282个斑点,scRNA-seq参考含5种细胞类型(GC,n=8614; OSNs,n=1200; PGC,n=1693; M-TC,n=1133; EPL-IN,n=161) 肝细胞癌数据:4张10x Visium切片(HCC1-4斑点数为2983,1334,2732,2764),scRNA-seq参考含7种细胞类型,共5115个细胞 小鼠脑数据:前矢状切片18449基因×2696斑点,后矢状切片18496基因×3339斑点,scRNA-seq参考含12种细胞类型 性能评估指标:RMSE、Avg JSD、Avg Corr、ARI、NMI、Silhouette Coefficient

摘要

许多空间分辨转录组技术已被开发用于提供可能包含异质性细胞混合的斑点的基因表达谱。为了分解细胞组成和表达水平,已开发出多种使用具有已知细胞类型标签的单细胞RNA测序(scRNA-seq)数据作为参考的解卷积方法。然而,在缺乏可靠参考数据集或存在异质性批次效应的情况下,这些方法可能引入偏差。在此,针对多细胞空间转录组数据开发了一种基于定性参考的空间信息解卷积方法(QR-SIDE)。独特的是,QR-SIDE为单个标记基因提供了详细的空间异质性图谱,并通过自适应调整每个标记基因的贡献来进行稳健解卷积。同时,QR-SIDE将细胞类型解卷积与空间聚类统一起来,并通过Potts模型整合空间信息以促进空间连续性。识别出的空间域代表了潜在组织区段中有意义的生物学效应。使用模拟数据和来自10x Visium和ST平台的三个真实空间转录组数据集,QR-SIDE在细胞类型解卷积中展现出更高的准确性和稳健性,并在识别和描绘给定背景下的空间结构方面优于现有方法。这些结果可以促进一系列下游分析,并提供对细胞异质性的精细理解。

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
如何在不依赖高质量scRNA-seq参考数据集的情况下,对多细胞空间转录组数据进行稳健的细胞类型解卷积并同时识别空间域。
核心机制
QR-SIDE通过混合泊松回归模型建模标记基因表达并引入二元变量η_ijk评估标记基因的空间异质性以自适应调整其贡献,通过分层泊松因子模型建模非标记基因,并通过Potts模型整合空间邻域信息促进空间域连续性。
主要证据
模拟数据中QR-SIDE在8个场景下RMSE和ARI均优于或媲美现有方法;在小鼠嗅球、肝细胞癌和小鼠脑数据中,QR-SIDE识别的空间域与手动解剖注释一致(如MOB的ARI=0.52, NMI=0.62),且Silhouette Coefficient高于其他方法。
研究意义
QR-SIDE为空间转录组数据提供了稳健的细胞类型解卷积和空间域识别工具,有助于理解组织结构和细胞异质性,并可促进下游分析。

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。

1

模型构建与初始化

建立QR-SIDE的数学模型并初始化细胞类型组成和空间主题分配。

定义标记基因的混合泊松回归模型和非标记基因的分层泊松因子模型,通过LDA估计初步细胞类型组成,再用GMM聚类获得初始主题分配。

2

模拟数据验证

在多种扰动场景下评估QR-SIDE与现有方法的性能。

基于小鼠乳腺scRNA-seq数据生成模拟空间转录组数据,设置8个场景(基线、批次效应、冗余标记、标记不足、错误标记、噪声、共享标记、稀疏标记),每个场景重复10次,比较QR-SIDE与CARD、RCTD、SPOTlight、SpatialDWLS、STdeconvolve、CARDfree。

3

小鼠嗅球数据应用

验证QR-SIDE在真实空间转录组数据中的细胞类型解卷积和空间域识别能力。

应用QR-SIDE分析ST v1.0小鼠嗅球数据,使用同组织scRNA-seq数据作为参考,识别细胞类型组成和空间域,并与手动解剖注释比较。

4

肝细胞癌数据应用

验证QR-SIDE在肿瘤组织中的细胞类型解卷积和空间域识别能力。

应用QR-SIDE分析4张10x Visium肝细胞癌切片,使用同组织scRNA-seq数据作为参考,识别空间域并与病理学家手动注释比较。

5

小鼠脑数据应用

验证QR-SIDE在小鼠脑组织中的细胞类型解卷积和空间域识别能力。

应用QR-SIDE分析小鼠前、后矢状脑10x Visium数据,使用小鼠新皮层scRNA-seq数据作为参考,识别空间域并与Allen Brain Institute参考图谱比较。

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
SCTransformSeurat--
getTopHVGsscran--
FindAllMarkersSeurat--
find.signature.genesProFAST--
CARD--version 1.1
spacexr--version 2.2.1
STdeconvolve--version 1.3.1
SPOTlight--version 1.2.0
Giotto--version 4.0.3

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
每次模拟随机选取的5个细胞类型、900个斑点的空间布局(30×30方格,10个主题,每主题90个斑点)、HVG数量3000(15个标记基因+2985个非标记基因)、因子模型维度15、每个场景重复10次
阅读提示:Experimental Section: Simulations Details, Scenario 1
小鼠嗅球数据解卷积
ST v1.0 Section 12的斑点数和基因数、scRNA-seq参考的细胞类型及细胞数、标记基因列表、HVG选择方法(top 3000)
阅读提示:Experimental Section: Real Datasets—Mouse Olfactory Bulb Data by Spatial Transcriptomics v1.0
肝细胞癌数据解卷积
4张切片的斑点数、QC标准(基因在至少20个斑点表达,斑点在至少20个基因表达)、scRNA-seq参考的细胞类型及细胞数、标记基因选择
阅读提示:Experimental Section: Human Hepatocellular Carcinoma Data by 10x Visium Technology
小鼠脑数据解卷积
前、后矢状切片的斑点数、基因数、scRNA-seq参考的12种细胞类型及细胞数、HVG选择(top 3000)、标记基因选择
阅读提示:Experimental Section: Mouse Sagittal Brain Data by 10x Visium Technology
空间域比较
对于非QR-SIDE方法,使用k-means聚类(k-means++初始化)对估计的细胞类型组成进行聚类,聚类数k等于QR-SIDE使用的主题数T
阅读提示:Experimental Section: Spatial Domain Assignment for Benchmark Deconvolution Methods