Nature Methods | 空间转录组与单细胞转录组整合分析工具性能测试
Hello，我还是那个👉 时不时分享、汇总、比较空转工具的小编~今天给大家“投喂”的这篇文献来自Nature子刊《 Nature Methods 》，研究人员对空间转录组和单细胞转录组整合分析工具进行比较，以衡量其性能。
空转 &scRNA-seq整合分析工具性能测试
空间转录组学方法能够定位RNA分子在空间中的分布模式。这些技术已被广泛应用于研究不同组织与器官内基因表达的空间特异性特征，并被成功应用于分析大脑、心脏、胰腺及皮肤等重要器官的基因表达情况。就检测能力而言，在基于荧光技术和显微镜成像原理的空间转录组学方法（包括seqFISH、osmFISH及MERFISH）中可实现高分辨率与高度精确的能力——即能够在显微镜下清晰观察到RNA分子的位置变化情况——但这类方法仅能反映整体RNA表达水平而不含单个基因层面的信息。另一方面，在基于下一代测序技术的空间解析框架下（如ST、10X Visium及Slide-seq），可以通过定位特定区域内的所有细胞来捕捉该区域内所有基因及其表达状态的数据信息——即每个采样区域通常包含多个细胞样本——但这种技术在应用过程中可能会引入一定的技术限制因素
旨在克服现有空间转录组学技术的局限性, 生物信息学家开发了一系列整合工具, 将两种技术 - 空间转录组学与单细胞转录组 (scRNA-seq) - 结合在一起, 包括gimVI、SpaGE、Tangram、Seurat、novoSpaRc 和 SpaOTsc 等先进工具。目前尚未有一项系统研究对这些整合方法进行过全面评估, 以比较它们在预测转录物的空间分布或组织切片中斑点细胞类型的去卷积方面的性能表现。为此, 本研究的科研团队通过多维度评测标准, 系统评估了16种整合技术的表现。
基准测试的流程和所使用数据集的简要特征
研究人员基于多个数据集应用皮尔逊相关系数（PCC）、结构相似性指数（SSIM）、均方根误差（RMSE）以及JS散度等指标对相关工具进行了系统性评估；并在此基础上提出了一个综合评价体系：通过设置较高的准星得分（AS）对应更好的性能水平。
性能评估结果汇总
Tangram、gimVI和SpaGE在定位转录物的空间分布情况上相较于其他整合方法表现出更优的效果 ，其中这些方法在针对10X Visium、seqFISH和MERFISH等数据平台生成的数据进行处理时相较于其他整合方法表现出更优的效果，在处理Slide-seq数据集时则被认为是专门用于这一领域并具有显著优势的理想选择。
此外，在预测高度稀疏数据集转录本的空间分布方面，Tangram、gimVI和SpaGE同样超越现有的整合方案。
对于预测斑点细胞类型的组成情况而言，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现，在此研究中发现
关于计算资源，在对空间分布预测能力方面Seurat表现最为突出；对于这一特定任务来说,Tangram 和 Seurat则构成了处理细胞类型去卷积问题时的最佳方案
综上所述，在预测转录本的空间定位方面Tangram gimVI以及SpaGE展现出更高的性能并显著优于其他整合方法与此同时Cell2location SpatialDWLS以及RCTD则在细胞定位过程中的关键步骤中表现出更为突出的优势
以概率模型为基础结合负二项分布或泊松分布构建的方法（例如gimVI、Cell2location和RCTD），通常在预测转录物的空间分布以及去卷积斑点的细胞类型等方面表现出色。深度学习方法也被广泛应用于多种整合方法中（其中**Tangram是预测未被检测到的转录本空间分布性能最佳的方法之一）。
在空间转录组学中处理表达矩阵的稀疏性问题的具体策略包括：通过提高测序深度并设定严格的筛选阈值来剔除不相关的斑点和基因从而降低过滤后的数据稀疏程度；此外还可以采用插补算法（如SAVER、MAGIC和WEDGE）来填补数据中的零元素以改善数据完整性
空间转录组学的另一个潜在应用是识别空间上彼此接近的两种细胞类型之间的配体-受体相互作用 ，目前已经开发出了多种分析工具 ，如SpaOTsc、Giotto、CellChat、NicheNet、ICELLNET和****SingleCellSignalR 等。
//
供参考关注测试细节部分的内容阅读原文内容，并如需进一步了解，请参考链接内容。
指向QuKunLab开发的SpatialBenchmarking存储库
指向QuKunLab开发的SpatialBenchmarking存储库
首发公号：国家基因库生命大数据平台
参考文献
Systematic evaluation of techniques for integrating spatial and single-cell transcriptomic data toward predicting transcript distributions and identifying cell type compositions was published in Nat Methods in 2022 by Li, B., Zhang, W., Guo, C. et al.
图片均来源于参考文献，如有侵权请联系删除。