stTransfer框架构建与流程图设计
建立整合scRNA-seq与ST数据实现单细胞分辨率注释的计算流程
设计VAE批次校正、XGBoost迁移学习与图自编码器空间嵌入三步流程，并给出输入输出与损失函数设计
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
stTransfer实现将单细胞注释以单细胞分辨率转移至空间转录组学
stTransfer enables transfer of single-cell annotations to spatial transcriptomics with single-cell resolution.
实验完整度
高方法学研究，含模拟数据、STARmap小鼠脑、CosMx人肺癌、Slide-seq小鼠精子发生多数据集基准及Stereo-seq应用
主要模型
模拟伪空间转录组数据集 STARmap小鼠脑冠状切片数据 CosMx SMI人非小细胞肺癌组织 Slide-seq小鼠精子发生数据及斑胸草雀视顶盖Stereo-seq数据
重点核对
伪空间数据集：4种细胞类型各1000个非背景细胞及背景细胞，评估准确率与加权F1 STARmap小鼠脑：6个切片共265,102细胞、1,022基因，参考23种神经细胞类型 CosMx人NSCLC：20个样本共83,642细胞、980基因，共享15种细胞类型 Slide-seq小鼠精子发生：24,105个spot，9种细胞类型，每spot含1至10个细胞 斑胸草雀OT：snRNA-seq 27,489细胞16簇，Stereo-seq 103,103细胞，6个数据集
摘要
Zhou等人提出stTransfer，一个迁移学习框架，联合scRNA-seq与空间转录组学以实现单细胞分辨率注释。在多样数据集上基准测试，它超越现有工具，并揭示斑胸草雀视顶盖中的细胞类型。
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
- 如何将scRNA-seq的高分辨率细胞类型注释准确转移至空间转录组数据，同时校正批次效应并利用空间位置信息实现单细胞分辨率注释。
- 核心机制
- stTransfer采用三步策略：VAE协调scRNA-seq与ST数据批次效应；基于标注单细胞嵌入训练XGBoost预测空间细胞类型分布；通过图自编码器结合空间邻接矩阵进行图嵌入，实现上下文感知的细胞类型注释。
- 主要证据
- 在模拟伪ST数据、STARmap小鼠脑、CosMx人NSCLC和Slide-seq小鼠精子发生四个基准数据集上，stTransfer的准确率和加权F1多数优于Seurat、RCTD、Cell2location、Tangram、DestVI、Spatial-ID、CellDART和SingleR；并成功注释斑胸草雀视顶盖Stereo-seq数据中的神经元群体。
- 研究意义
- stTransfer为整合单细胞与空间转录组数据提供了高分辨率、空间感知的注释工具，有助于在原生空间背景下探索组织结构、发育过程与疾病机制。
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。
多数据集基准测试
评估stTransfer相较现有方法在细胞类型注释上的准确性与稳健性
在模拟伪ST、STARmap小鼠脑、CosMx人NSCLC、Slide-seq小鼠精子发生数据上比较准确率与加权F1，并进行消融分析
斑胸草雀视顶盖Stereo-seq应用
验证stTransfer在真实高分辨率组织中的实用性并解析神经元群体空间分布
构建OT的snRNA-seq参考图谱，获取Stereo-seq单细胞分辨率数据，使用stTransfer进行整合注释并分析细胞类型空间梯度
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。
数据整合与细胞类型注释建模
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 |
|---|---|
| 斑胸草雀视顶盖样本与切片 | 动物年龄12个月、性别雌性、切片厚度10 mm、切片位置距前脑端4.5、4.8和6.5 mm 阅读提示：Animal care与Brain tissue collection小节 |
| Stereo-seq建库与测序 | 组织贴片37°C孵育3–5 min、甲醇−20°C固定40 min、核酸染料浓度与成像通道 阅读提示：Spatial section preparation and sequencing小节 |
| 序列比对与表达矩阵生成 | CID错配允许1个碱基、MID过滤标准、STAR比对质量阈值大于10、UMI合并允许1个错配 阅读提示：Stereo-seq raw data processing小节 |
| SpaGCN空间聚类与区域注释 | bin100包含100×100 DNB、p=0.5、n_clusters=28、随机种子100、过滤少于3个bin表达的基因 阅读提示：Spatial clustering and annotation小节 |
| snRNA-seq质控与聚类 | UMI数少于1000或多于6000的细胞被剔除、基因至少在5个细胞表达、PCA取20个成分、Leiden分辨率0.5 阅读提示：Cell clustering and cell-type identification of snRNA-seq data小节 |
| 基准测试评估指标 | 准确率与加权F1计算方式、双侧Wilcoxon符号秩检验、Bonferroni校正 阅读提示：Quantification and statistical analysis小节及各Figure legends |