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。
Robust Spatial Cell-Type Deconvolution with Qualitative Reference for Spatial Transcriptomics.
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。
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)
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
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
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。
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。
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。
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。
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。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据预处理 | SCTransform | Seurat | -- |
| 高变基因选择 | getTopHVGs | scran | -- |
| 差异表达分析 | FindAllMarkers | Seurat | -- |
| 特征基因分析 | find.signature.genes | ProFAST | -- |
| 基准方法实现 | CARD | -- | version 1.1 |
| spacexr | -- | version 2.2.1 | |
| STdeconvolve | -- | version 1.3.1 | |
| SPOTlight | -- | version 1.2.0 | |
| Giotto | -- | version 4.0.3 |
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 |