多参考PLS模型训练
从多个scRNA-seq参考学习连续细胞类型预测模型
对每个参考数据集进行PLS基因选择，训练PLS回归模型以连续预测参考细胞类型
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
Φ-Space ST：一种识别空间转录组学研究中细胞状态的平台无关方法
Φ-Space ST: A platform-agnostic method to identify cell states in spatial transcriptomics studies.
实验完整度
中计算性二次分析，使用Visium、CosMx、Xenium、Stereo-seq公开数据及多个scRNA-seq参考进行注释与验证，无湿实验。
主要模型
10x Visium NSCLC 肺组织切片（18例，9名个体） NanoString CosMx NSCLC 肺组织切片（8例，5名患者） 10x Xenium FFPE NSCLC 组织切片（161,894个细胞） BGI Stereo-seq AML 小鼠脾脏样本（bin50空间bin）
重点核对
Visium案例中参考为Human Lung Cell Atlas子样本（N=58,759，61种健康细胞类型），查询为18例Visium组织切片 CosMx案例中参考为四个谱系特异性scRNA-seq数据集（免疫、上皮、内皮、间充质），查询为8例CosMx组织切片 Stereo-seq案例中参考为四个小鼠scRNA-seq数据集（脾脏、骨髓、中性粒细胞、CITE-seq），查询为AML小鼠脾脏bin50数据 各案例PLS成分数设为ncomp=K（参考中细胞类型总数）；Visium和Stereo-seq选择nfeat=500（Neutro参考nfeat=600），CosMx和Xenium使用全部共享基因 Stereo-seq meta-clone鉴定中过滤总计数<50的barcode，局部平滑直径500 μm，k-means k=8
摘要
我们介绍Φ-Space ST，一种利用多个scRNA-seq参考在空间转录组学（ST）数据中识别连续细胞状态的平台无关方法。对于超细胞分辨率的ST，Φ-Space ST实现可解释的细胞类型解卷积，计算速度显著更快。对于亚细胞分辨率，Φ-Space ST无需细胞分割即可注释细胞状态，从而获得极具洞察力的空间生态位识别。Φ-Space ST协调来自多个scRNA-seq参考的注释，并利用健康参考对疾病细胞状态提供可解释的表征。我们在涉及CosMx、Visium、Xenium和Stereo-seq平台的四个癌症组织案例研究中验证了Φ-Space ST。我们的方法揭示了区分肿瘤与非肿瘤组织区域的生态位特异性富集细胞类型和独特的细胞类型共现模式。这些发现凸显了Φ-Space ST作为ST数据分析的稳健且可扩展工具的潜力，用于理解复杂组织和病理。
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
- 如何构建平台无关的计算框架，利用多个scRNA-seq参考在多样空间转录组平台和分辨率下注释连续细胞状态，并识别空间生态位及细胞类型共现模式。
- 核心机制
- Φ-Space ST以偏最小二乘（PLS）回归为核心，从每个参考数据集训练连续细胞类型预测模型并应用于查询ST数据，生成表型空间嵌入；不要求细胞类型得分总和为1，可度量细胞状态分歧度。
- 主要证据
- 在Visium、CosMx、Xenium和Stereo-seq四个癌症案例中验证：Visium展示可解释解卷积及pDC-成纤维细胞共现与预后相关；CosMx识别异质性肿瘤生态位；Xenium跨平台验证共现模式；Stereo-seq无需分割识别AML meta-clone及差异细胞状态。
- 研究意义
- Φ-Space ST提供稳健、可扩展且生物学可解释的ST数据注释框架，为复杂组织和病理的空间解析转录组分析奠定基础。
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。
查询ST数据连续注释
将训练好的PLS模型应用于查询ST数据，获得表型空间嵌入
将各参考训练的PLS模型应用于查询ST数据，计算每个细胞样对象的连续细胞类型得分，并拼接所有参考的得分列
空间生态位识别
基于表型空间嵌入划分空间生态位
对Φ-Space ST细胞类型得分的PC进行k-means聚类，PC数通过碎石图选择
生态位富集细胞类型分析
鉴定各空间生态位特异性富集的细胞类型
使用DWD（两个生态位）或PLS-DA（多个生态位）判别分析，根据载荷排序细胞类型贡献
细胞类型共现分析
量化空间区域内细胞类型两两共现模式并比较区域间差异
计算每个空间区域归一化Φ-Space ST得分的K×K Spearman相关矩阵，向量化下三角后进行PCA或DWD/PLS-DA判别分析
AML meta-clone鉴定与细胞状态表征
基于克隆条形码组成定义meta-clone并表征其细胞状态
构建bin×barcode稀疏矩阵，过滤低丰度barcode，局部平滑后k-means聚类定义meta-clone；使用Wilcoxon秩和检验比较meta-clone与背景非barcode bin的细胞类型得分
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。
数据预处理与归一化
细胞状态注释与解卷积
细胞类型共现分析
基因表达特征评分
差异表达与统计分析
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据预处理 | PhiSpace R包 | -- | https://github.com/jiadongm/PhiSpace; https://doi.org/10.5281/zenodo.19941499 |
| 解卷积基准比较 | spacexr R包 | -- | https://github.com/dmcable/spacexr |
| cell2location Python包 | -- | https://github.com/BayraktarLab/cell2location | |
| tacco Python包 | -- | https://github.com/simonwm/tacco | |
| 数据读取与预处理 | Seurat R包 | -- | RRID: SCR_007322 |
| 解卷积基准比较 | SPOTlight R/Bioconductor包 | -- | -- |
| 差异表达分析 | MAST R/Bioconductor包 | -- | RRID: SCR_016340 |
| 判别分析 | kerndwd R包 | -- | -- |
| 基因表达特征评分 | UCell R/Bioconductor包 | -- | -- |
| 批次校正 | batchelor R/Bioconductor包 | -- | -- |
| 数据读取 | DropletUtils R/Bioconductor包 | -- | -- |
| CosMx数据读取 | Giotto R包 | -- | RRID: SCR_018795 |
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 |
|---|---|
| Visium案例解卷积与共现分析 | 参考数据集：Human Lung Cell Atlas子样本（每细胞类型10%，最少50细胞，N=58,759，61种健康细胞类型）；查询：18例Visium NSCLC组织切片；nfeat=500 阅读提示：STAR Methods中Data preprocessing和Parameter settings for case studies小节 |
| CosMx案例多参考注释 | 四个谱系特异性scRNA-seq参考（免疫、上皮、内皮、间充质）；查询8例CosMx组织切片；951个共享基因，不进行基因选择；ncomp=K 阅读提示：STAR Methods中Parameter settings for case studies小节及Table 1 |
| Xenium案例跨平台验证 | Xenium 377基因panel，161,894个分割细胞；与参考基因重叠87%–97%；使用全部共享基因；生态位数目选择比较2至10 阅读提示：Results中Xenium小节、Figure 4图注及Figure S7 |
| Stereo-seq AML meta-clone分析 | bin50空间bin（边长25 μm）；barcode过滤阈值总计数≥50；局部平滑直径500 μm；k-means k=8；富集细胞类型取正显著性评分最大的5种（校正p<0.05） 阅读提示：STAR Methods中Meta-clone identification和Enriched cell types in AML meta-clones小节及Figure 5图注 |