期刊：Science China-Life Sciences
影響因子：8.0

在前面的章節(jié)中，我們系統(tǒng)地回顧了單細(xì)胞組學(xué)的最新進(jìn)展。盡管這些單細(xì)胞測(cè)序技術(shù)允許以前所未有的分辨率調(diào)查細(xì)胞異質(zhì)性，但它們遠(yuǎn)遠(yuǎn)不足以充分了解多細(xì)胞生物的復(fù)雜工作原理。許多研究強(qiáng)調(diào)，一個(gè)細(xì)胞的狀態(tài)不僅受到細(xì)胞內(nèi)調(diào)節(jié)網(wǎng)絡(luò)的調(diào)節(jié)，還受到來(lái)自環(huán)境的細(xì)胞外信號(hào)的干擾。在實(shí)驗(yàn)過(guò)程中，組織的分離和單個(gè)細(xì)胞的分離都會(huì)導(dǎo)致關(guān)鍵空間信息的丟失，包括細(xì)胞位置及其相互接近度�？臻g轉(zhuǎn)錄組學(xué)（ST）解決了這一限制，使測(cè)量基因表達(dá)與空間信息保存。在本節(jié)中，我們將介紹空間轉(zhuǎn)錄組學(xué)技術(shù)，討論空間數(shù)據(jù)分析的計(jì)算方法，并回顧其在各種生物系統(tǒng)中的應(yīng)用。此外，我們還將深入探討空間多組學(xué)技術(shù)的最新進(jìn)展。

空間分辨轉(zhuǎn)錄組學(xué)技術(shù)
目前所有的空間轉(zhuǎn)錄組學(xué)技術(shù)可以大致概括為三類，主要基于(i)顯微解剖，（ii）條形碼，和（iii）成像（圖14A-C）。這些ST技術(shù)在位置標(biāo)記和轉(zhuǎn)錄本分析的方法上有所不同，這可能決定了空間分辨率、檢測(cè)效率、要求的樣本類型等等。接下來(lái)，我們將討論從每個(gè)類別中選擇代表性技術(shù)的原則，并總結(jié)它們的特點(diǎn)。整理的技術(shù)列表及其相應(yīng)的特征如表4所示。
 

1. 基于顯微解剖的ST技術(shù)
屬于這一類的技術(shù)旨在通過(guò)各種顯微解剖方法從多個(gè)空間近端組織亞區(qū)中計(jì)算重建組織的三維結(jié)構(gòu)（圖14A）。例如，RNA斷層掃描（tomoseq）從多個(gè)假定相同的生物樣本中沿著三個(gè)正交軸的一系列順序冷凍中獲得RNA。相同生物樣本的要求限制了tomo-seq在人類樣本上的應(yīng)用。相比之下，STRP-seq采用兩級(jí)解剖策略將組織切片分為初級(jí)切片和次級(jí)切片，假設(shè)空間表達(dá)模式在間隔14 μm的連續(xù)初級(jí)切片之間是恒定的�；�于冷凍切片，Geo-seq利用LCM將組織切片成小至10個(gè)細(xì)胞左右的區(qū)域。這類方法中的其他方法包括ProximID 和PIC-seq，它們側(cè)重于兩個(gè)（雙胞胎）或三個(gè)細(xì)胞（三胞胎）內(nèi)的物理細(xì)胞相互作用，而不是組織中的位置或周圍環(huán)境。

除了物理切片，顯微解剖可以通過(guò)結(jié)合光學(xué)標(biāo)記和基于熒光的細(xì)胞選擇，或基因指數(shù)寡核苷酸的光切割來(lái)完成。例如，轉(zhuǎn)錄組體內(nèi)分析（TIVA）加載TIVA標(biāo)簽（即光激活的mRNA捕獲分子）進(jìn)入活細(xì)胞，并通過(guò)激光光激活選擇細(xì)胞，隨后觸發(fā)標(biāo)簽與mRNA的雜交。作為一種替代技術(shù)，NICHE-seq將標(biāo)記的地標(biāo)細(xì)胞注射到表達(dá)光激活綠色熒光（PA-GFP）的轉(zhuǎn)基因小鼠中，允許對(duì)感興趣的生態(tài)位進(jìn)行原位標(biāo)記。組織解離后，活化的PA-GFP+細(xì)胞通過(guò)FACS進(jìn)行分類，進(jìn)行單細(xì)胞轉(zhuǎn)錄組分析。NanoString開(kāi)發(fā)的商用GeoMX數(shù)字空間輪廓儀（DSP）采用帶有UV可切割接頭的探針，并自動(dòng)進(jìn)行光學(xué)選擇。

總的來(lái)說(shuō)，微解剖與單細(xì)胞或bulk-RNA相結(jié)合測(cè)序使得在空間背景下研究轉(zhuǎn)錄組成為可能。顯微解剖可以用物理方式進(jìn)行，也可以用光學(xué)方式進(jìn)行。物理切片通常是手工進(jìn)行的，這使得解剖方案既費(fèi)力又耗時(shí)。相比之下，光學(xué)依賴切片通常依賴于將專門的標(biāo)簽加載到活細(xì)胞或模式生物的基因工程中，這限制了其在新鮮冷凍或FFPE人類樣本中的應(yīng)用。無(wú)論如何進(jìn)行顯微解剖和測(cè)序，在所選擇的子區(qū)域內(nèi)的剖面細(xì)胞的確切位置是未知的，導(dǎo)致普遍較低的空間分辨率。

2. 基于條形碼的ST技術(shù)
基于顯微解剖的技術(shù)通過(guò)手動(dòng)標(biāo)記每個(gè)子區(qū)域來(lái)跟蹤空間信息�？臻g條形碼技術(shù)可以自動(dòng)記錄空間坐標(biāo)（圖14B）。在這種方法中，條形碼與UMIs和聚寡核苷酸一起固定在玻璃載玻片上，以便原位捕獲mRNA和cDNA合成。陣列中的每個(gè)條形碼點(diǎn)直徑為100 μm，距離相鄰點(diǎn)的中心距離為200 μm，分辨率為10-40個(gè)單元。10x Genomics利用直徑為55 μm、中心到中心距離為100 μm的斑點(diǎn)進(jìn)一步將空間分辨率提高到5-10個(gè)細(xì)胞。一些技術(shù)不是將條形碼直接附著在載玻片上，而是將條形碼與小珠連接起來(lái)，用于位置標(biāo)記和mRNA捕獲。例如，Slide-seq將10 μm的dna條形碼珠沉積在表面上。同樣，HDST將條形碼珠放入2 μm井的陣列中。這兩種技術(shù)都將空間分辨率提高到1-2個(gè)單元。然而，由于條形碼珠粒是隨機(jī)分布在載玻片上的，因此需要原位測(cè)序（ISS）或原位雜交（ISH）來(lái)解碼每個(gè)固定珠粒的條形碼序列。盡管基于頭部的技術(shù)可以達(dá)到細(xì)胞分辨率，但它們?nèi)匀贿^(guò)于粗糙，無(wú)法檢測(cè)亞細(xì)胞差異。

最近，通過(guò)重新利用Illumina測(cè)序平臺(tái)，開(kāi)發(fā)了Seq-scope，以實(shí)現(xiàn)0.5-0.8 μm的中心到中心分辨率。另一種實(shí)現(xiàn)亞微米分辨率分析的技術(shù)是Stereo-seq，其中包含條形碼的220納米DNA納米球（dnb）沉積在中心距離為500或715納米的圖案陣列上。Seq-scope和Stereo-seq都需要兩輪測(cè)序，其中第一輪將條形碼與空間位置相關(guān)聯(lián)，第二輪提供捕獲cDNA的信息，就像Slide-seq一樣。

總之，基于條形碼的方法將空間條形碼技術(shù)與NGS相結(jié)合，允許在空間背景下對(duì)RNA進(jìn)行轉(zhuǎn)錄組分析。這些技術(shù)涉及空間分辨率和檢測(cè)效率之間的權(quán)衡。與最初的ST技術(shù)或商業(yè)化的10倍Visium相比，Seq-scope、Stereo-seq在空間分辨率上的提高往往是以低檢測(cè)靈敏度和低基因覆蓋率為代價(jià)的。

3. 基于成像的ST技術(shù)
基于微解剖和基于條形碼的技術(shù)在位置標(biāo)記后提取核酸分子用于NGS測(cè)序。為了在原位保存RNA，各種原位轉(zhuǎn)錄組學(xué)技術(shù)被開(kāi)發(fā)出來(lái)用于基因表達(dá)的空間定位，包括ISH和ISS（圖14C）。由于這些方法需要熒光成像，因此它們被統(tǒng)稱為基于成像的技術(shù)。大多數(shù)基于ish的ST技術(shù)主要依靠單分子RNA熒光原位雜交（smFISH）來(lái)實(shí)現(xiàn)靶向轉(zhuǎn)錄物的原位定量測(cè)量。SeqFISH屬于這種類型，它可以通過(guò)連續(xù)的熒光雜交、成像和剝離讀出探針來(lái)同時(shí)檢測(cè)多個(gè)mRNA分子。使用seqFISH策略，所有的目標(biāo)基因都是通過(guò)幾輪讀出探針的組合來(lái)編碼的。SeqFISH+將讀出探針調(diào)色板從SeqFISH中的四種或五種顏色擴(kuò)展到60種“偽顏色”，從而在單個(gè)細(xì)胞中實(shí)現(xiàn)多達(dá)10000個(gè)基因的多路復(fù)用。MERFISH是另一種基于smfish的技術(shù)，它也需要多輪雜交，但采用了獨(dú)特的多位二進(jìn)制編碼策略。為了解決光學(xué)擁擠問(wèn)題，將擴(kuò)展顯微鏡（ExM）集成到MERFISH中。編碼策略，結(jié)合ExM，允許MERFISH減少雜交輪數(shù)。例如，為了保證檢測(cè)到10,000個(gè)基因，使用三色成像，seqFISH+需要80輪（4×20）雜交，而MERFISH只需要23輪就能構(gòu)建一個(gè)漢明權(quán)值為4的69位HD4編碼。除了基于多路FISH的技術(shù)外，ISS也可以實(shí)現(xiàn)RNA的原位分析，它通過(guò)原位信號(hào)擴(kuò)增對(duì)固定組織或細(xì)胞樣本中的RNA進(jìn)行測(cè)序。由于細(xì)胞空間有限，一些基于isss的技術(shù)通過(guò)設(shè)計(jì)針對(duì)特定RNA或cDNA的探針來(lái)選擇部分基因。2013年發(fā)表的最初的ISS方法使用掛鎖探針與靶標(biāo)結(jié)合，然后通過(guò)滾環(huán)擴(kuò)增（RCA）產(chǎn)生RCA產(chǎn)物，用于后續(xù)的結(jié)扎測(cè)序。STARmap使用雙組分掛鎖探針直接結(jié)合RNA而不是cDNA，避免了RNA到cDNA的低效步驟，降低了潛在的噪聲。為了消除傳統(tǒng)的支持寡核苷酸連接檢測(cè)（SOLiD）測(cè)序帶來(lái)的強(qiáng)背景熒光，STARmap設(shè)計(jì)了動(dòng)態(tài)退火和連接減錯(cuò)測(cè)序（SEDAL），可以在測(cè)序過(guò)程中抑制誤差。

除了靶向ISS方法外，還可以采用非靶向方式進(jìn)行ISS，即將轉(zhuǎn)錄物反向轉(zhuǎn)錄為cDNA，然后進(jìn)行DNA擴(kuò)增和測(cè)序，而不需要對(duì)基因進(jìn)行預(yù)選擇。雖然非靶向方式可以提高轉(zhuǎn)錄組的覆蓋范圍，但它也可能導(dǎo)致分子擁擠。為了緩解這一問(wèn)題，F(xiàn)ISSEQ利用了分區(qū)測(cè)序策略，其中只有一小部分?jǐn)U增子被隨機(jī)選擇并使用擴(kuò)展測(cè)序引物進(jìn)行測(cè)序，因此導(dǎo)致檢測(cè)效率較低。結(jié)合ExM， FISSEQ適用于另一種稱為ExSeq的方法，以區(qū)分擁擠的分子并提高空間分辨率。

一般來(lái)說(shuō)，基于成像的技術(shù)提供高空間分辨率，達(dá)到細(xì)胞甚至亞細(xì)胞水平。在這些技術(shù)中，基于ish的技術(shù)依賴于目標(biāo)基因的先驗(yàn)知識(shí)，具有較高的檢測(cè)效率。相比之下，由于國(guó)際空間站的局限性，基于國(guó)際空間站的技術(shù)已經(jīng)效率相對(duì)較低，特別是在沒(méi)有目標(biāo)的情況下。此外，大多數(shù)這些技術(shù)都需要專門的高分辨率成像設(shè)備，這可能限制了它們更廣泛的適用性。

4. 空間多組學(xué)技術(shù)
為了對(duì)細(xì)胞進(jìn)行更全面的表征，在空間背景下對(duì)其他模式的測(cè)量已經(jīng)付出了相當(dāng)大的努力，包括基因組、表觀基因組、蛋白質(zhì)組、代謝組等（圖14D）。ST技術(shù)中使用的定位策略已經(jīng)適應(yīng)于實(shí)現(xiàn)其他組學(xué)的空間分析。例如，SlideDNA-seq使用條形碼頭陣列捕獲空間分辨的基因組序列，該陣列最初是為空間RNA分析而開(kāi)發(fā)的。同樣，通過(guò)將DbiT-seq的微流體確定性條形碼策略與原位CUT&Tag化學(xué)和Tn5轉(zhuǎn)位化學(xué)相結(jié)合，開(kāi)發(fā)了spatial-CUT&Tag 和spatial-ATAC-seq 來(lái)分析組蛋白修飾和染色質(zhì)可及性。為了了解其原生環(huán)境下的三維染色質(zhì)構(gòu)象，設(shè)計(jì)了一種基于merfish的方法來(lái)可視化超過(guò)1000個(gè)基因組位點(diǎn)，用于高分辨率染色質(zhì)追蹤。

在蛋白質(zhì)組學(xué)領(lǐng)域，蛋白質(zhì)表達(dá)可以很容易地通過(guò)多重免疫組織化學(xué)（IHC）可視化。免疫組化可以進(jìn)一步與成像質(zhì)細(xì)胞術(shù)或多路離子束成像（MIBI）相結(jié)合，允許同時(shí)成像約100種蛋白質(zhì)。此外，感興趣的蛋白質(zhì)可以被dna條形碼抗體靶向，從而通過(guò)NGS進(jìn)行量化，如GeoMx DSP 。細(xì)胞表面蛋白可以被抗體結(jié)合而不產(chǎn)生細(xì)胞裂解，從而防止RNA受到損傷。因此，無(wú)論是單細(xì)胞組學(xué)還是空間組學(xué)，蛋白質(zhì)組學(xué)都可以與轉(zhuǎn)錄組學(xué)相結(jié)合。例如，增強(qiáng)版的10x Visium在mRNA捕獲之前進(jìn)行免疫組化，以實(shí)現(xiàn)蛋白質(zhì)和RNA的共同檢測(cè)，盡管只允許檢測(cè)1-2種蛋白質(zhì)。通過(guò)在流動(dòng)條形碼之前將抗體衍生標(biāo)簽添加到固定組織載片，DbiT-seq可以測(cè)量mRNA和數(shù)十種蛋白質(zhì)。此外，NanoString還提供CosMx SMI平臺(tái)，可通過(guò)高plex成像對(duì)1000種RNA和64種蛋白質(zhì)進(jìn)行定量分析。從樣品中收集的代謝物通常使用質(zhì)譜法進(jìn)行定量。為了研究空間分辨代謝組，基于成像質(zhì)譜法（IMS）的各種技術(shù)已經(jīng)發(fā)展起來(lái)。這些技術(shù)在從樣品分子中產(chǎn)生離子的方式上有所不同，包括MALDI 、DESI和SIMS。例如，SpaceM是一種基于maldi的原位單細(xì)胞代謝組學(xué)方法。它通過(guò)將maldi成像與光學(xué)顯微鏡相結(jié)合，然后使用計(jì)算方法進(jìn)行圖像分割和配準(zhǔn)，解決了將代謝物強(qiáng)度分配給單個(gè)細(xì)胞的挑戰(zhàn)。

除了內(nèi)在遺傳外，許多基因功能還受到空間環(huán)境的影響。為了研究空間功能基因組學(xué)，Dhainaut建立了一種名為Perturb-map的方法，該方法可以在組織背景下以單細(xì)胞分辨率匯集CRISPR篩選。這是通過(guò)采用蛋白質(zhì)條形碼系統(tǒng)和多路成像來(lái)實(shí)現(xiàn)的。

空間轉(zhuǎn)錄組學(xué)計(jì)算方法
單細(xì)胞分析的標(biāo)準(zhǔn)工作流程包括關(guān)鍵任務(wù)，如細(xì)胞聚類、細(xì)胞類型注釋、差異表達(dá)分析、譜系追蹤、細(xì)胞-細(xì)胞通信和集成分析。這些任務(wù)也構(gòu)成了ST數(shù)據(jù)分析的主干�？臻g轉(zhuǎn)錄組學(xué)以其獨(dú)特的能力提供空間接近性和環(huán)境信息，不僅拓寬了分析范圍，也帶來(lái)了巨大的整合挑戰(zhàn)。為了解決這些問(wèn)題，已經(jīng)開(kāi)發(fā)了大量的計(jì)算方法來(lái)整合基因表達(dá)與空間信息，并提供新的見(jiàn)解（圖15）。我們將在接下來(lái)的章節(jié)中回顧為不同目的而設(shè)計(jì)的方法。已發(fā)表的計(jì)算方法列表載于支持資料表S11。
 

1. 去噪增強(qiáng)空間轉(zhuǎn)錄組學(xué)中的信號(hào)
如上所述，許多ST技術(shù)面臨著與低檢測(cè)效率和顯著噪聲相關(guān)的挑戰(zhàn)。這些問(wèn)題源于對(duì)每個(gè)空間單元（即點(diǎn)或頭）的淺層測(cè)序或保存組織結(jié)構(gòu)所需的復(fù)雜實(shí)驗(yàn)步驟，或兩者的結(jié)合。Wang等人在10倍的Visium和Slide-seq數(shù)據(jù)中表明，信號(hào)噪聲反映在基因表達(dá)的dropouts和膨脹中。雖然已經(jīng)為scRNA-seq數(shù)據(jù)開(kāi)發(fā)了去噪方法來(lái)解決drop-out問(wèn)題，但它們往往難以糾正“假的”高表達(dá)。此外，這些單細(xì)胞方法僅依賴于轉(zhuǎn)錄組學(xué)數(shù)據(jù)，因此不能直接應(yīng)用于整合額外的空間信息。

專門開(kāi)發(fā)了幾種計(jì)算方法來(lái)處理去噪的ST數(shù)據(jù)。例如，spprod可以通過(guò)基于潛在圖學(xué)習(xí)的基于條形碼的技術(shù)在噪聲ST數(shù)據(jù)中推算基因表達(dá)。spprod中的去噪過(guò)程包括兩個(gè)步驟。首先，spprod通過(guò)利用空間接近性和表達(dá)相似性來(lái)構(gòu)建一個(gè)圖。重要的是，如果可以的話，從相應(yīng)的病理圖像中提取的特征可以用于圖的構(gòu)建。接下來(lái)，spprod通過(guò)借用圖中顯示的鄰域的表達(dá)信息來(lái)糾正每個(gè)點(diǎn)/頭的基因表達(dá)。另一種方法，spARC，采用了類似的基于圖形的框架，但證明了其在基于成像的ST技術(shù)上的適用性。SiGra也是一種基于圖的方法，但采用了不同的方法來(lái)構(gòu)建圖。它利用成像、轉(zhuǎn)錄組和混合三個(gè)圖形轉(zhuǎn)換器自編碼器以及注意機(jī)制，使SiGra能夠用多模態(tài)空間信息增強(qiáng)稀疏和嘈雜的轉(zhuǎn)錄組數(shù)據(jù)。stLearn中的SME方法還允許整合圖像特征來(lái)規(guī)范化空間基因表達(dá)。它采用了一種簡(jiǎn)單的加權(quán)平均策略，根據(jù)接近點(diǎn)之間的形態(tài)相似性計(jì)算權(quán)重。Ni等人認(rèn)為，損失和膨脹不是隨機(jī)的輟學(xué)或膨脹，而是由附近點(diǎn)之間和點(diǎn)之間的mRNA流血造成的，這被稱為點(diǎn)交換。為了調(diào)整現(xiàn)貨交換的影響，他們提出了一種稱為SpotClean的方法。SpotClean采用概率框架來(lái)模擬給定位點(diǎn)上的基因特異性表達(dá)，該框架考慮了該位點(diǎn)組織中存在的reads，并將其讀取到其他位點(diǎn)上的出血，同時(shí)也將其他位點(diǎn)上的出血去除。作者證明SpotClean可以在ST和10x Visium等技術(shù)中準(zhǔn)確估計(jì)基因特異性UMI計(jì)數(shù)，其中背景位置可以通過(guò)ST幻燈片與匹配的H&E圖像之間的比對(duì)來(lái)識(shí)別。

2. 基于成像的ST數(shù)據(jù)的亞細(xì)胞分析
基于成像的ST技術(shù)為細(xì)胞甚至亞細(xì)胞分析提供了很好的機(jī)會(huì)，但也帶來(lái)了很大的挑戰(zhàn)。對(duì)于這些技術(shù)，每個(gè)測(cè)量的像素只代表一個(gè)轉(zhuǎn)錄本，這不足以推斷它屬于細(xì)胞類型。如何將這些單個(gè)像素合并形成細(xì)胞或亞細(xì)胞結(jié)構(gòu)將具有重要意義。在目前的研究中，有兩種主要策略用于高分辨率ST數(shù)據(jù)的分析：基于分割的方法或無(wú)分割的方法。細(xì)胞分割最初是在顯微鏡免疫組化圖像處理中提出的，它提供了更多關(guān)于細(xì)胞數(shù)量和細(xì)胞形態(tài)的信息。這里的細(xì)胞分割是基于轉(zhuǎn)錄本的稀疏測(cè)量來(lái)確定細(xì)胞邊界，即將轉(zhuǎn)錄本分配給細(xì)胞。傳統(tǒng)的細(xì)胞分割依賴于從染色圖像中提取的特征，包括強(qiáng)度和紋理，其中一些可以代表細(xì)胞邊界。但是對(duì)于RNA的熒光圖像，揭示細(xì)胞邊界需要對(duì)細(xì)胞膜進(jìn)行特定的染色，這阻礙了細(xì)胞的分割。大多數(shù)組選擇進(jìn)行額外的細(xì)胞核染色（例如DAPI）來(lái)識(shí)別假定的細(xì)胞核，然后用于指導(dǎo)轉(zhuǎn)錄本分配�？紤]到基因在細(xì)胞核區(qū)域的表達(dá)可能不等于在整個(gè)細(xì)胞內(nèi)的表達(dá)，一些組合并，輔助poly(A)染色以告知細(xì)胞的體細(xì)胞。已經(jīng)開(kāi)發(fā)了幾種計(jì)算方法來(lái)提供替代解決方案。

例如，Qian等人開(kāi)發(fā)了pciSeq，它利用概率框架將RNA點(diǎn)分配給其原始細(xì)胞。具體而言，pciSeq將DAPI圖像中的細(xì)胞核分割作為細(xì)胞的初始近似，并分別通過(guò)負(fù)二項(xiàng)分布和泊松過(guò)程模擬細(xì)胞RNA計(jì)數(shù)和基因-細(xì)胞距離。該方法以配對(duì)的scRNA-seq為參考，利用變分貝葉斯推理估計(jì)轉(zhuǎn)錄本同時(shí)屬于細(xì)胞和細(xì)胞類型的概率。JSTA是另一種依賴于DAPI染色的初始細(xì)胞核分割和匹配的scRNA-seq參考的方法。JSTA還可以利用深度神經(jīng)網(wǎng)絡(luò)（deep neural network， DNN）作為分類器，通過(guò)迭代像素分配實(shí)現(xiàn)聯(lián)合細(xì)胞分割和細(xì)胞類型標(biāo)注。

細(xì)胞分割可以以不依賴于scrna的方式實(shí)現(xiàn)。例如，Baysor可以僅根據(jù)轉(zhuǎn)錄本的表達(dá)進(jìn)行細(xì)胞分割，同時(shí)也支持與scRNA-seq獲得的細(xì)胞類型特異性表達(dá)譜的先驗(yàn)信息整合，以及從共染色圖像中分割以改進(jìn)分割。值得注意的是，Baysor使用馬爾可夫隨機(jī)場(chǎng)（MRF）來(lái)限制空間近端分子之間的關(guān)系。每個(gè)細(xì)胞都以高斯分布建模，整個(gè)數(shù)據(jù)集可以看作是細(xì)胞特異性分布的混合物，可以通過(guò)貝葉斯混合模型（Bayesian mixture models, bmm）進(jìn)行分離。類似地，Sparcle利用Dirichlet過(guò)程混合模型進(jìn)行初始細(xì)胞類型識(shí)別，并通過(guò)借用相鄰像素的信息，迭代地將每個(gè)轉(zhuǎn)錄本分配給細(xì)胞。另一種方法ClusterMap也利用鄰域的表達(dá)來(lái)計(jì)算鄰域基因組成，然后將細(xì)胞分割作為一個(gè)點(diǎn)模式分析問(wèn)題，通過(guò)密度峰值聚類（DPC）算法求解。

在細(xì)胞分割后，可以像scRNA-seq一樣進(jìn)行細(xì)胞水平分析，如差異表達(dá)分析和細(xì)胞-細(xì)胞相互作用。更重要的是，進(jìn)一步探索細(xì)胞內(nèi)的亞細(xì)胞結(jié)構(gòu)成為可能。例如，在細(xì)胞分割的基礎(chǔ)上，ClusterMap可以使用K-means聚類進(jìn)一步將細(xì)胞分割成包括細(xì)胞核和細(xì)胞質(zhì)在內(nèi)的亞細(xì)胞結(jié)構(gòu)。Bento是一個(gè)用于ST數(shù)據(jù)亞細(xì)胞分析的工具包，它可以進(jìn)一步識(shí)別RNA轉(zhuǎn)錄物的5類亞細(xì)胞定位，包括核、細(xì)胞質(zhì)、核邊緣、細(xì)胞邊緣，以及以上都不是。

以上討論的細(xì)胞分割方法便于對(duì)基于成像的ST數(shù)據(jù)進(jìn)行單細(xì)胞分析。然而，挑戰(zhàn)來(lái)自技術(shù)噪聲，如不均勻的強(qiáng)度信號(hào)和生物變異，包括不同的細(xì)胞大小和形狀以及不同的細(xì)胞密度。這些因素可能在實(shí)現(xiàn)準(zhǔn)確的細(xì)胞分割方面造成困難，可能導(dǎo)致下游分析的偏差。因此，已經(jīng)開(kāi)發(fā)了幾種無(wú)分割方法，以便在不執(zhí)行顯式分割的情況下進(jìn)行穩(wěn)健分析。大多數(shù)方法的目的是將每個(gè)分子像素分配給特定的細(xì)胞類型，而不是單個(gè)細(xì)胞。為了實(shí)現(xiàn)像素的細(xì)胞類型分配，Baysor的作者還提供了一種無(wú)分割的方法。它是基于相鄰RNA分子可能來(lái)自同一細(xì)胞的假設(shè)，共同反映了相應(yīng)細(xì)胞類型的轉(zhuǎn)錄組學(xué)特征。他們?yōu)槊總�(gè)轉(zhuǎn)錄本計(jì)算一個(gè)鄰域組合向量（NCV），通過(guò)利用鄰域信息有效地增強(qiáng)一個(gè)像素的信號(hào)。ncv隨后被視為“偽細(xì)胞”，用于下游聚類和注釋分析。SSAM提供了一個(gè)類似的解決方案，它通過(guò)借用其鄰域的信息來(lái)估計(jì)每個(gè)像素的mRNA信號(hào)。不同的是，它們應(yīng)用高斯核的核密度估計(jì)（KDE），這與Baysor不同，后者為考慮的最近鄰域提供相同的權(quán)重。

3. 整合scRNAseq解讀細(xì)胞類型的空間分布
無(wú)論組織樣本是單細(xì)胞還是空間轉(zhuǎn)錄組學(xué)，細(xì)胞類型注釋對(duì)于破譯細(xì)胞組成都是非常必要的。為scRNA-seq設(shè)計(jì)的注釋策略，包括基于表達(dá)標(biāo)記基因的無(wú)監(jiān)督聚類和細(xì)胞類型推斷，似乎適用于ST數(shù)據(jù)的分析。不幸的是，由于當(dāng)前ST技術(shù)的限制，這種嘗試通常不會(huì)奏效。首先，對(duì)于基于成像的靶向ST技術(shù)，限制性的基因選擇和讀出噪聲的存在會(huì)阻礙未知細(xì)胞類型的鑒定。其次，對(duì)于基于條形碼的低分辨率ST數(shù)據(jù)，每個(gè)點(diǎn)的多個(gè)細(xì)胞或細(xì)胞類型混合的測(cè)量可能是平均的，這可能會(huì)模糊細(xì)胞的異質(zhì)性。最后，對(duì)于基于條形碼的高分辨率ST數(shù)據(jù)，低檢測(cè)效率也對(duì)明顯聚類和適當(dāng)?shù)募?xì)胞類型標(biāo)注提出了挑戰(zhàn)。因此，在大多數(shù)情況下，整合ST數(shù)據(jù)與匹配的scRNA-seq對(duì)于了解細(xì)胞類型分布是必要的。通常，積分可以通過(guò)兩種方法完成：映射或反卷積。細(xì)胞定位包括兩個(gè)方面：將預(yù)定義的細(xì)胞類型映射到空間位置和將scRNA-seq數(shù)據(jù)中的細(xì)胞映射到組織中。前者將細(xì)胞類型標(biāo)記從scRNA-seq轉(zhuǎn)移到空間轉(zhuǎn)錄組學(xué)，后者預(yù)測(cè)來(lái)自scRNA-seq的細(xì)胞的空間位置，在某些情況下也被視為scRNA-seq的空間重構(gòu)。對(duì)于細(xì)胞類型定位，可以使用來(lái)自scRNA-seq的細(xì)胞類型特異性基因特征來(lái)計(jì)算富集分?jǐn)?shù)。該方法已被證明在分析基于微陣列的胰腺導(dǎo)管腺癌的ST數(shù)據(jù)方面是有效的。對(duì)于基因有限的基于成像的ST方法，上述的細(xì)胞分割方法，如pciSeq 、JSTA 和Baysor 也可以在scRNA-seq可用的情況下進(jìn)行細(xì)胞類型分配。另外，由于這些基于成像的ST技術(shù)可以在細(xì)胞分割后提供單細(xì)胞水平的表達(dá)，因此現(xiàn)有的單細(xì)胞數(shù)據(jù)整合方法可以直接應(yīng)用于單細(xì)胞分辨率空間數(shù)據(jù)和scRNA-seq的整合。例如，Seurat通過(guò)典型相關(guān)分析（CCA）將細(xì)胞從ST和scRNA-seq投射到共享潛在空間。以互近鄰（MNN）識(shí)別的細(xì)胞對(duì)為錨點(diǎn)，scRNA-seq的細(xì)胞類型標(biāo)記可以轉(zhuǎn)移到空間細(xì)胞中。LIGER和Harmony也可以實(shí)現(xiàn)類似的集成。這些單細(xì)胞整合方法利用共同的潛在空間和鄰域信息，還可以預(yù)測(cè)ST缺失基因的空間表達(dá)，增強(qiáng)ST譜基因原有的弱信號(hào)。scRNA-seq的空間重建是在ST技術(shù)繁榮之前提出的，該技術(shù)通過(guò)一些空間地標(biāo)性基因的表達(dá)來(lái)預(yù)測(cè)細(xì)胞的空間位置。早期的方法，如Seurat (v1.0)，將含有數(shù)十個(gè)基因的ISH參考數(shù)據(jù)建模為二值化表達(dá)圖，然后通過(guò)將scRNA-seq衍生的雙峰混合模型與二值化表達(dá)參考相關(guān)聯(lián)，概率推斷出單個(gè)細(xì)胞的位置。Achim和DistMap也使用二值化的ISH參考，但采用不同的方法來(lái)計(jì)算細(xì)胞位置對(duì)應(yīng)關(guān)系。Achim設(shè)計(jì)了一個(gè)評(píng)分方案，根據(jù)給定細(xì)胞中的基因特異性比率來(lái)評(píng)估細(xì)胞與每個(gè)空間位置之間的對(duì)應(yīng)關(guān)系。

DistMap利用二值化的單細(xì)胞基因表達(dá)和空間參考計(jì)算馬修相關(guān)系數(shù)（Matthew correlation coefficient，MCC）得分，然后將細(xì)胞軟分配到空間位置。Tangram是最近開(kāi)發(fā)的一種方法，除了基于ish的數(shù)據(jù)外，它還能夠?qū)�scRNA-seq與各種技術(shù)測(cè)量的空間轉(zhuǎn)錄組學(xué)相匹配。通過(guò)最大化scRNA-seq和ST共享的基因表達(dá)的相關(guān)性，Tangram可以得到一個(gè)概率映射矩陣，該矩陣表示在每個(gè)空間位置找到每個(gè)單個(gè)細(xì)胞的概率。最近的方法不是對(duì)細(xì)胞位置對(duì)應(yīng)進(jìn)行評(píng)分，而是將scRNAseq的空間重構(gòu)問(wèn)題轉(zhuǎn)化為監(jiān)督學(xué)習(xí)問(wèn)題或優(yōu)化問(wèn)題。例如，DEEPsc通過(guò)訓(xùn)練基于神經(jīng)網(wǎng)絡(luò)的分類器，將空間參考視為scRNA-seq，將細(xì)胞映射到空間位置的問(wèn)題制定為監(jiān)督分類問(wèn)題。經(jīng)過(guò)充分訓(xùn)練的DEEPsc網(wǎng)絡(luò)將來(lái)自細(xì)胞的特征向量作為輸入，并根據(jù)來(lái)自不同空間位置的似然度預(yù)測(cè)細(xì)胞的空間起源。另一種方法，glmSMA將單元映射框架為凸優(yōu)化問(wèn)題。首先，采用拉普拉斯矩陣表示位置到位置的物理距離和細(xì)胞到細(xì)胞的表達(dá)距離。通過(guò)最小化每個(gè)細(xì)胞和相應(yīng)位置的表達(dá)差異，glmSMA最終可以找到從scRNA-seq中的細(xì)胞到st中的空間位置的映射。SpaOTsc將細(xì)胞映射定義為一個(gè)最優(yōu)運(yùn)輸問(wèn)題，旨在將細(xì)胞到位置的運(yùn)輸成本最小化。SpaOTsc中的運(yùn)輸成本主要基于scRNA-seq和空間參考之間的基因表達(dá)差異來(lái)衡量，并結(jié)合兩個(gè)懲罰項(xiàng)來(lái)處理兩個(gè)數(shù)據(jù)集的不平衡樣本量，并分別保留每個(gè)數(shù)據(jù)集內(nèi)的結(jié)構(gòu)。同樣，novoSpaRc采用最優(yōu)轉(zhuǎn)運(yùn)框架，其核心假設(shè)是物理近端細(xì)胞具有相似的表達(dá)譜。novoSpaRc通過(guò)位置到位置的物理距離和細(xì)胞到細(xì)胞的表達(dá)距離的組合來(lái)測(cè)量運(yùn)輸成本，兩者都計(jì)算為各自kNN圖中的最短路徑。通過(guò)最小化運(yùn)輸成本，novoSpaRc最終得到了一種映射，通過(guò)這種映射，細(xì)胞被映射到盡可能保留原始細(xì)胞-細(xì)胞對(duì)應(yīng)關(guān)系的位置，考慮到上述假設(shè)。值得注意的是，novoSpaRc還允許在沒(méi)有參考ST數(shù)據(jù)時(shí)從頭重建scRNA-seq。大多數(shù)重建方法都是基于物理接近性可以通過(guò)表達(dá)相似性來(lái)反映的假設(shè)。然而，該假設(shè)不能代表所有細(xì)胞的空間分布模式，這使得推斷的細(xì)胞位置值得懷疑。

細(xì)胞類型反褶積旨在估計(jì)每個(gè)空間位置（即點(diǎn)或頭）的確切細(xì)胞類型比例，通常用于scRNA-seq和低分辨率條形碼的ST數(shù)據(jù)（如10x Visium）的整合。對(duì)于基于高分辨率條形碼的ST技術(shù)，如Stereo-seq，原始像素級(jí)表達(dá)式以基于bin的方式聚合，然后將每個(gè)bin作為一個(gè)新的空間單元進(jìn)行反卷積分析。目前的ST反卷積方法基本上可以分為四類：回歸、因式分解、概率建模和基于圖的方法�；貧w是一種最流行的方法開(kāi)發(fā)的大量rna序列反褶積。由于每個(gè)點(diǎn)覆蓋的細(xì)胞數(shù)量有限，在ST數(shù)據(jù)上直接應(yīng)用大量RNA-seq反卷積方法會(huì)導(dǎo)致來(lái)自不相關(guān)細(xì)胞類型的噪聲。為了克服這一問(wèn)題，基于阻尼加權(quán)最小二乘（DWLS）回歸的ST反卷積方法spatialDWLS采用了兩種措施。首先，在精確估計(jì)細(xì)胞類型比例之前進(jìn)行細(xì)胞類型富集分析，以確定每個(gè)點(diǎn)可能的細(xì)胞類型。其次，在對(duì)富集的細(xì)胞類型進(jìn)行第一輪反褶積后，去除預(yù)測(cè)比例較低的細(xì)胞類型，進(jìn)行另一輪反褶積。基于回歸的方法高度依賴于每種細(xì)胞類型的標(biāo)記基因的選擇。與對(duì)細(xì)胞類型特異性表達(dá)譜進(jìn)行回歸不同，一些方法提出對(duì)潛在主題譜進(jìn)行回歸，該主題譜可以通過(guò)矩陣分解從單細(xì)胞表達(dá)數(shù)據(jù)中分解出來(lái)。例如，NMFreg最初是為Slide-seq的細(xì)胞類型注釋而開(kāi)發(fā)的，它結(jié)合了非負(fù)矩陣分解（NMF）和非負(fù)最小二乘（NNLS）。它使用NMF從預(yù)標(biāo)記的scRNA-seq中獲得一個(gè)基本的基因因子譜，然后使用NNLS回歸計(jì)算每個(gè)頭的因子負(fù)荷。由于每個(gè)因子都與細(xì)胞類型相關(guān)聯(lián)，因此因子負(fù)載充當(dāng)細(xì)胞類型比例。SPOTlight采用了類似的策略，但使用了種子NMF，其中使用了細(xì)胞類型特異性標(biāo)記基因和高可變基因（HVG）的組合，并通過(guò)scRNA-seq衍生的細(xì)胞-細(xì)胞類型歸屬初始化因子-細(xì)胞圖譜。反褶積也可以通過(guò)分解來(lái)實(shí)現(xiàn)。例如，STRIDE采用主題建模方法LDA，從scRNA-seq中獲得細(xì)胞類型相關(guān)的主題概況。然后，使用預(yù)訓(xùn)練的主題模型可以推斷每個(gè)點(diǎn)的細(xì)胞類型組成。Stdeconvolve也基于LDA，但提供了一種無(wú)參考的解決方案。CARD建立在NMF的基礎(chǔ)上，但通過(guò)條件自回歸（CAR）模型考慮了點(diǎn)之間的空間相關(guān)性，這使得CARD成為一種“空間”反卷積方法。

除了直觀的回歸或基于因子分解的方法外，概率建模方法已經(jīng)開(kāi)發(fā)出來(lái)，假設(shè)細(xì)胞或點(diǎn)中的基因表達(dá)遵循特定的概率模型。例如，RCTD通過(guò)泊松分布對(duì)每個(gè)位置的基因表達(dá)進(jìn)行建模，并將每個(gè)點(diǎn)擬合為單個(gè)細(xì)胞類型的線性組合。值得注意的是，RCTD還考慮了特定于平臺(tái)的效果。Cell2location遵循類似的概念，但使用NB分布來(lái)模擬基因表達(dá)。同樣，Stereoscope使用NB模型，但它適用于完整的基因集，而不是一組選定的標(biāo)記基因。DestVI還使用NB分布來(lái)模擬每個(gè)基因在細(xì)胞或點(diǎn)中的表達(dá)，并使用神經(jīng)網(wǎng)絡(luò)編碼和解碼參數(shù)。最重要的是，DestVI不僅可以估計(jì)細(xì)胞類型比例，還可以恢復(fù)每個(gè)點(diǎn)的細(xì)胞類型特異性表達(dá)，從而捕獲同一類型細(xì)胞內(nèi)的連續(xù)表達(dá)變化。

除了DestVI之外，還有其他幾種基于神經(jīng)網(wǎng)絡(luò)的方法。DSTG首先通過(guò)隨機(jī)混合scRNA-seq的細(xì)胞生成偽st數(shù)據(jù)，然后從偽st和實(shí)st構(gòu)建跨點(diǎn)的鏈接圖。利用捕獲點(diǎn)之間內(nèi)在拓?fù)湎嗨菩缘逆溄訄D，利用半監(jiān)督圖卷積網(wǎng)絡(luò)（GCN）估計(jì)real-ST中每個(gè)點(diǎn)內(nèi)的細(xì)胞類型比例。CellDART也生成偽st數(shù)據(jù)——一種虛擬的細(xì)胞混合物——但采用對(duì)抗性域適應(yīng)的思想。CellDART集成了兩個(gè)基于神經(jīng)網(wǎng)絡(luò)的分類器，其中訓(xùn)練源分類器來(lái)預(yù)測(cè)細(xì)胞類型組成，訓(xùn)練域分類器來(lái)區(qū)分真實(shí)斑點(diǎn)和偽斑點(diǎn)。通過(guò)在訓(xùn)練過(guò)程中迭代更新兩個(gè)分類器，訓(xùn)練良好的CellDART模型可以從真實(shí)ST數(shù)據(jù)中準(zhǔn)確估計(jì)每個(gè)點(diǎn)的細(xì)胞類型比例。另一種基于神經(jīng)網(wǎng)絡(luò)的方法GraphST采用了不同的策略。GraphST利用一個(gè)圖對(duì)比自監(jiān)督框架，通過(guò)整合空間位置信息和本地上下文來(lái)重建ST數(shù)據(jù)的基因表達(dá)。使用自編碼器，GraphST可以單獨(dú)學(xué)習(xí)scRNA-seq的潛在表示�；�于學(xué)習(xí)到的特征，通過(guò)對(duì)比學(xué)習(xí)機(jī)制訓(xùn)練出細(xì)胞到點(diǎn)的映射概率矩陣，并結(jié)合scRNA-seq的細(xì)胞類型注釋提供對(duì)點(diǎn)的細(xì)胞類型組成。

4. 空間域識(shí)別
除了離散分布，我們還對(duì)細(xì)胞類型如何在空間上組織形成組織結(jié)構(gòu)和執(zhí)行功能感興趣。直觀地說(shuō)，物理上近端的細(xì)胞，無(wú)論來(lái)自相同或不同的細(xì)胞類型，都可以構(gòu)成一個(gè)空間結(jié)構(gòu)，通常稱為空間域�？臻g域的識(shí)別將有助于我們理解區(qū)域內(nèi)細(xì)胞之間的交流及其生物功能。從某種意義上說(shuō)，空間域可以看作是具有特定空間模式的細(xì)胞群。scRNA-seq的標(biāo)準(zhǔn)Louvain聚類方法是基于基因表達(dá)相似性構(gòu)建的圖，沒(méi)有考慮空間信息，在這里不直接適用。一些空間聚類方法改進(jìn)了基于圖的聚類算法，以納入空間信息。例如，stLearn利用Louvain或K-means進(jìn)行全局聚類，并通過(guò)考慮物理距離執(zhí)行局部聚類來(lái)尋找空間分離的子聚類或合并空間近端單點(diǎn)。另一種方法是MULTILAYER，它在基因模式共表達(dá)圖上應(yīng)用Louvain聚類。首先，MULTILAYER通過(guò)迭代凝聚策略檢測(cè)過(guò)表達(dá)基因的表達(dá)模式�；�因表達(dá)模式在這里被定義為基因在多個(gè)連續(xù)位置過(guò)表達(dá)的區(qū)域。然后，MULTILAYER構(gòu)建一個(gè)圖，其中節(jié)點(diǎn)表示先前檢測(cè)到的基因模式，邊緣表示基因模式之間的相似性（即基因共表達(dá)程度）。最后，利用Louvain算法將基因共表達(dá)模式劃分為多個(gè)組織群落。

許多空間聚類方法不是以間接方式合并空間信息，而是將空間接近信息編碼在MRF中，其中空間依賴關(guān)系由Potts模型表示。Zhu等人開(kāi)發(fā)了smfishHmrf，該算法將隱馬爾可夫隨機(jī)場(chǎng)（HMRF）應(yīng)用于seqFISH數(shù)據(jù)的空間域識(shí)別。他們首先構(gòu)建一個(gè)鄰域圖來(lái)表示細(xì)胞之間的空間關(guān)系，其中馬爾可夫?qū)傩灾槐Ａ糁苯酉噜徆?jié)點(diǎn)之間的關(guān)系。然后，他們通過(guò)聯(lián)合概率分布來(lái)建模每個(gè)細(xì)胞的區(qū)域狀態(tài)，該分布考慮了細(xì)胞的基因表達(dá)和鄰近細(xì)胞的區(qū)域狀態(tài)。通過(guò)使用期望最大化（EM）求解場(chǎng)平衡參數(shù)，smfishHmrf能夠檢測(cè)具有空間相干基因表達(dá)的空間域。BayesSpace采用帶MRF的全貝葉斯統(tǒng)計(jì)模型，以確保同一簇中的點(diǎn)在物理上更接近。BayesSpace通過(guò)使用Markov chain Monte Carlo （MCMC）和跨不同簇的固定精度矩陣，能夠穩(wěn)定地估計(jì)模型參數(shù)，識(shí)別空間簇，甚至提高空間轉(zhuǎn)錄組學(xué)的分辨率�？紤]到MCMC是計(jì)算密集型的，固定的平滑參數(shù)可能會(huì)限制不同ST數(shù)據(jù)集的性能，Yang等人提出了SC-MEB，以實(shí)現(xiàn)高效的計(jì)算和可調(diào)的平滑參數(shù)。特別地，他們采用了一種高效的基于迭代條件模型的期望最大化（ICM-EM）方案來(lái)估計(jì)參數(shù)，并通過(guò)改進(jìn)的貝葉斯信息準(zhǔn)則（MBIC）來(lái)選擇聚類數(shù)。上述基于磁共振成像的方法都假定隱藏的細(xì)胞狀態(tài)是離散的，這限制了我們對(duì)細(xì)胞間空間依賴性的理解。相比之下，SPICEMIX將NMF整合到HMRF中，其中觀察到的基因表達(dá)被建模為潛在因素的線性混合，潛在因素的混合權(quán)重被視為隱藏細(xì)胞狀態(tài)。SPICEMIX從另一個(gè)角度來(lái)理解，它提供了一種考慮空間信息的ST數(shù)據(jù)降維方法，可以作為下游聚類的基礎(chǔ)�；�于推斷的細(xì)胞狀態(tài)，SPICEMIX進(jìn)一步應(yīng)用分層聚類來(lái)定義分類細(xì)胞類型。

在ST數(shù)據(jù)分析中，細(xì)胞類型聚類和空間域識(shí)別可以被視為兩個(gè)獨(dú)立的任務(wù)。我們上面討論的大多數(shù)方法都專注于識(shí)別空間域，除了SPICEMIX，其中空間聚類旨在推斷細(xì)胞類型，而不與scRNA-seq整合。另一種方法，F(xiàn)ICT旨在通過(guò)空間聚類推斷基于fish的空間轉(zhuǎn)錄組學(xué)中的細(xì)胞類型。具體來(lái)說(shuō)，F(xiàn)ICT通過(guò)細(xì)胞類型特異性的高斯分布來(lái)模擬細(xì)胞的表達(dá)，并通過(guò)多項(xiàng)分布來(lái)模擬細(xì)胞與其相鄰細(xì)胞之間的關(guān)系。FICT能夠通過(guò)最大化聯(lián)合概率似然來(lái)分配單元簇。同樣，BASS也通過(guò)細(xì)胞類型特異性正態(tài)分布來(lái)模擬細(xì)胞中的基因表達(dá)，但同時(shí)，它通過(guò)特定域的分類分布來(lái)模擬細(xì)胞類型歸屬。有了這樣一個(gè)層次概率框架，BASS可以同時(shí)實(shí)現(xiàn)細(xì)胞類型聚類和空間域檢測(cè)。

空間轉(zhuǎn)錄組學(xué)可以看作是一個(gè)點(diǎn)圖，適合用于基于圖的神經(jīng)網(wǎng)絡(luò)。許多基于gnn的方法已經(jīng)被開(kāi)發(fā)出來(lái)，通過(guò)整合基因表達(dá)和空間信息來(lái)學(xué)習(xí)空間轉(zhuǎn)錄組學(xué)的低維潛在表征，這可以促進(jìn)下游分析，如空間域識(shí)別和空間變量基因的檢測(cè)。例如，SpaGCN應(yīng)用GCN來(lái)整合多個(gè)信息源，包括基因表達(dá)、空間位置和組織學(xué)。首先，構(gòu)建一個(gè)圖來(lái)表示點(diǎn)之間的關(guān)系，其中節(jié)點(diǎn)表示點(diǎn)，通過(guò)將組織學(xué)圖像特征轉(zhuǎn)換到第三個(gè)“z”坐標(biāo)，并將其與點(diǎn)的原始空間坐標(biāo)（x, y）結(jié)合，計(jì)算邊緣的距離。然后利用卷積層對(duì)圖中相鄰點(diǎn)的基因表達(dá)進(jìn)行聚合�；�于聚合的基因表達(dá)，實(shí)現(xiàn)無(wú)監(jiān)督迭代聚類算法來(lái)識(shí)別聚類（即空間域）。

其他方法在基礎(chǔ)GCN中引入了額外的機(jī)制。正如我們?cè)诩?xì)胞型反卷積一節(jié)中討論的那樣，GraphST通過(guò)將基因表達(dá)與空間位置信息和本地上下文信息相結(jié)合，應(yīng)用圖對(duì)比自監(jiān)督框架來(lái)學(xué)習(xí)ST數(shù)據(jù)的空間潛在表示。另一種方法是SpaceFlow，它將深度圖信息集（DGI）框架集成到GCN編碼器中。除了基于空間轉(zhuǎn)錄組學(xué)構(gòu)建的空間表達(dá)圖（SEG）外，SpaceFlow還通過(guò)隨機(jī)排列表達(dá)構(gòu)建了表達(dá)排列圖（EPG）。這兩個(gè)圖都被送入圖卷積編碼器得到低維嵌入，DGI使編碼器通過(guò)判別器損失來(lái)區(qū)分SEG和EPG的嵌入。有些方法采用自編碼器進(jìn)行空間嵌入。例如，SEDR使用深度自編碼器網(wǎng)絡(luò)來(lái)學(xué)習(xí)基因表達(dá)的低維潛在表示，然后使用變分圖自編碼器（VGAE）將其與空間信息集成。STAGATE為自編碼器引入了一種注意機(jī)制，使邊緣權(quán)重的自適應(yīng)學(xué)習(xí)成為可能。例如，點(diǎn)相似度。stMVC構(gòu)建了更全面的學(xué)習(xí)框架。具體來(lái)說(shuō)，stMVC首先通過(guò)數(shù)據(jù)增強(qiáng)和對(duì)比學(xué)習(xí)，從組織學(xué)圖像中學(xué)習(xí)視覺(jué)特征。然后利用半監(jiān)督圖注意自編碼器（SGATE）基于提取的視覺(jué)特征和空間基因表達(dá)獨(dú)立學(xué)習(xí)特定于視圖的表示，并通過(guò)注意機(jī)制整合兩個(gè)圖。stMVC提出的基于注意力的多視圖協(xié)同學(xué)習(xí)模型最終學(xué)習(xí)出一種更加魯棒的ST數(shù)據(jù)表示。由于ST數(shù)據(jù)的空間信號(hào)本質(zhì)，一些方法將空間域識(shí)別問(wèn)題轉(zhuǎn)化為經(jīng)典的圖像分割問(wèn)題。RESEPT使用GNN從點(diǎn)-點(diǎn)圖中學(xué)習(xí)三維嵌入，將基因表達(dá)作為節(jié)點(diǎn)的屬性，并通過(guò)邊緣連通性揭示物理鄰接性。將每個(gè)點(diǎn)的三維嵌入轉(zhuǎn)換為RGB尺度，使得之前為語(yǔ)義分割而設(shè)計(jì)的CNN可以直接應(yīng)用于段空間域。另一種方法，Vesalius采用了類似的RGB嵌入策略，但通過(guò)UMAP而不是神經(jīng)網(wǎng)絡(luò)進(jìn)行降維。

5. 空間變異基因和基因表達(dá)模式的檢測(cè)
在scRNA-seq分析中，HVG在降維和隨后的細(xì)胞聚類中起著關(guān)鍵作用。在空間轉(zhuǎn)錄組學(xué)中，空間可變基因（SVG）的鑒定對(duì)于表征復(fù)雜組織中的功能組織也很重要。識(shí)別SVG就是尋找在空間上表現(xiàn)出很大變異的基因。scRNA-seq中的HVG檢測(cè)只考慮了高方差而忽略了空間信息，不能直接應(yīng)用于SVG識(shí)別。已經(jīng)提出了各種計(jì)算方法來(lái)從空間轉(zhuǎn)錄組學(xué)中檢測(cè)SVG。一些方法基于分割的空間域來(lái)識(shí)別SVG。例如，像我們上面討論的那樣，SpaGCN首先通過(guò)集成多個(gè)信息源來(lái)識(shí)別空間域，然后為每個(gè)識(shí)別的域定義相鄰域�？臻g可變基因是通過(guò)使用Wilcoxon秩和檢驗(yàn)識(shí)別每個(gè)目標(biāo)域和相應(yīng)相鄰域之間的差異表達(dá)基因來(lái)確定的。大多數(shù)方法不依賴于空間域識(shí)別，而是直接將空間信息納入到模型中來(lái)研究基因表達(dá)的空間變異。根據(jù)核心模型，方法大致可分為三類：基于統(tǒng)計(jì)建模的方法、基于圖的方法和基于其他原理的方法。

1）基于統(tǒng)計(jì)建模
Trendsceek將空間表達(dá)式建模為標(biāo)記點(diǎn)過(guò)程，其中空間位置被視為二維點(diǎn)過(guò)程，位置表達(dá)式被視為標(biāo)記。對(duì)于給定的基因和指定的距離，對(duì)距離上的所有點(diǎn)對(duì)計(jì)算點(diǎn)的空間分布與其標(biāo)記之間的依賴關(guān)系。依賴性評(píng)估可通過(guò)四項(xiàng)匯總統(tǒng)計(jì)來(lái)實(shí)現(xiàn)。Stoyan的標(biāo)記-相關(guān)，均值-標(biāo)記，方差-標(biāo)記和標(biāo)記-方差圖。當(dāng)分?jǐn)?shù)和分?jǐn)?shù)的分布是獨(dú)立的時(shí)，匯總統(tǒng)計(jì)量將保持不變，但如果它們是相關(guān)的，則統(tǒng)計(jì)量將在不同的距離上變化。通過(guò)排列表達(dá)值來(lái)估計(jì)顯著性，不同距離間的p值最小即為該基因的顯著性。scGCO也利用標(biāo)記點(diǎn)過(guò)程建�？臻g基因表達(dá)，但將HMRF集成到模型中。對(duì)于每個(gè)基因，scGCO通過(guò)圖切割算法對(duì)圖表示進(jìn)行分割。在完全空間隨機(jī)框架下，這些片段可以作為候選區(qū)域來(lái)測(cè)試表達(dá)式對(duì)空間位置的依賴性，其中點(diǎn)在二維空間中的分布被建模為齊次泊松過(guò)程。

除標(biāo)記點(diǎn)法外，還有許多方法采用高斯過(guò)程（GP）來(lái)模擬空間基因表達(dá)。GP是以時(shí)間或空間為索引的隨機(jī)變量集合，其中這些隨機(jī)變量的有限集合具有多元正態(tài)分布。GP在地質(zhì)統(tǒng)計(jì)學(xué)中得到了廣泛的應(yīng)用，并應(yīng)用于空間轉(zhuǎn)錄組學(xué)建模。例如，SpatialDE基于高斯過(guò)程回歸，用空間和非空間方差項(xiàng)兩部分來(lái)模擬每個(gè)基因的可變性�？梢酝ㄟ^(guò)計(jì)算這些項(xiàng)的比率來(lái)量化空間變異性（Svensson et al, 2018）。通過(guò)比較全模型與無(wú)空間協(xié)方差的零模型的似然，可以用對(duì)數(shù)似然檢驗(yàn)估計(jì)統(tǒng)計(jì)顯著性。SpatialDE可以通過(guò)將擬合線性或周期（即余弦）協(xié)方差函數(shù)的完整模型與高斯核的模型進(jìn)行比較，進(jìn)一步識(shí)別具有不同類型空間變異的基因，包括線性或周期性模式。為了滿足高斯分布的假設(shè)，SpatialDE采用了兩步歸一化。具體來(lái)說(shuō)，SpatialDE使用一種方差穩(wěn)定變換方法，即Anscombe變換，對(duì)nb分布的原始計(jì)數(shù)進(jìn)行變換，然后對(duì)對(duì)數(shù)總數(shù)進(jìn)行回歸。Gpcounts也建立在高斯過(guò)程回歸的基礎(chǔ)上，但通過(guò)NB或零膨脹負(fù)二項(xiàng)（ZINB）分布而不是高斯分布來(lái)擬合空間計(jì)數(shù)。同樣，BOOST-GP通過(guò)ZINB分布來(lái)模擬基因讀取計(jì)數(shù)，但采用貝葉斯框架來(lái)推斷參數(shù)。另一種方法SPARK采用廣義線性空間模型（GLSM）， GP建模空間位置之間的空間關(guān)系，泊松分布建模表達(dá)式計(jì)數(shù)數(shù)據(jù)。

此外，SPARK提供了一種更強(qiáng)大的統(tǒng)計(jì)方法來(lái)控制I類錯(cuò)誤，它分別計(jì)算每個(gè)參數(shù)化核的p值，并將它們與Cauchy組合規(guī)則組合在一起。隨著ST技術(shù)的發(fā)展，需要對(duì)以往的方法進(jìn)行改進(jìn)，以適應(yīng)高稀疏度的大規(guī)模空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)。SpatialDE2基于SPARK，通過(guò)用omnibus test替代Cauchy combination，并引入Tensorflow的GPU加速來(lái)提高計(jì)算效率。為了降低計(jì)算復(fù)雜度和物理內(nèi)存需求，SPARK的作者提出了一種可擴(kuò)展的非參數(shù)測(cè)試方法SPARKX。具體來(lái)說(shuō)，SPARK-X建立在一個(gè)非參數(shù)協(xié)方差測(cè)試框架之上，其中計(jì)算兩個(gè)協(xié)方差矩陣，分別測(cè)量表達(dá)相似性和空間接近性。然后將識(shí)別具有特定空間趨勢(shì)的基因轉(zhuǎn)化為檢測(cè)基因表達(dá)與空間位置的相關(guān)性。另一種方法是SOMDE，它將自組織映射（SOM）神經(jīng)網(wǎng)絡(luò)整合到SpatialDE的高斯過(guò)程回歸框架中。SOMDE將原始空間位置濃縮為SOM節(jié)點(diǎn)，保留空間表達(dá)模式和拓?fù)浣Y(jié)構(gòu)。然后將原始空間表達(dá)聚合形成節(jié)點(diǎn)級(jí)基因元表達(dá)，顯著減小協(xié)方差矩陣的大小，從而提高計(jì)算效率。

2）基于圖表示
正如在空間域識(shí)別一節(jié)中所討論的，空間表達(dá)式可以用圖表示。一些基于圖形的方法已經(jīng)被證明在SVG識(shí)別中是成功的。圖拉普拉斯分?jǐn)?shù)通常用于基于圖的特征選擇，可用于從圖中識(shí)別空間變量基因。例如，GLISS首先建立一個(gè)相互最近鄰居圖，并計(jì)算每個(gè)基因的拉普拉斯分?jǐn)?shù)，以測(cè)量其位置保持能力（即與局部結(jié)構(gòu)的關(guān)聯(lián)）。在固定的圖中，低的拉普拉斯分?jǐn)?shù)表明基因表達(dá)的相似性發(fā)生在較近的位置，而較大的差異發(fā)生在較遠(yuǎn)的位置。每個(gè)基因的統(tǒng)計(jì)顯著性是通過(guò)排列表達(dá)和固定的圖來(lái)估計(jì)的。RayleighSelection提出了組合拉普拉斯分?jǐn)?shù)，并將基于圖的表示擴(kuò)展到空間表達(dá)數(shù)據(jù)的簡(jiǎn)單復(fù)雜表示。除了圖中包含的頂點(diǎn)和邊，簡(jiǎn)單復(fù)合體還包含高維元素，如三角形和四面體，可以捕獲更復(fù)雜的數(shù)據(jù)關(guān)系。因此，組合拉普拉斯分?jǐn)?shù)有助于識(shí)別具有更復(fù)雜空間結(jié)構(gòu)的基因。

有些方法在普通的圖表示中引入空間網(wǎng)格來(lái)簡(jiǎn)化或優(yōu)化空間結(jié)構(gòu)。singleCellHaystack是一種基于空間網(wǎng)格的方法，最初用于預(yù)測(cè)從scRNA-seq學(xué)習(xí)的低維空間中差異表達(dá)的基因，獨(dú)立于細(xì)胞聚類。它還可以應(yīng)用于使用自然二維或三維空間的空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)的SVG識(shí)別。singleCellHaystack首先將多維空間劃分為網(wǎng)格，并定義網(wǎng)格點(diǎn)，用于估計(jì)空間中單元格的參考分布。然后，對(duì)于每個(gè)基因，singleCellHaystack根據(jù)二值化表達(dá)將所有細(xì)胞分為檢測(cè)組和未檢測(cè)組，并分別估計(jì)細(xì)胞分布。隨后計(jì)算Kullback-Leibler散度，通過(guò)與參考細(xì)胞分布的比較來(lái)衡量基因的散度，并通過(guò)排列檢驗(yàn)來(lái)評(píng)估其顯著性。MERINGUE是另一種基于空間網(wǎng)格的方法。它首先使用Voronoi鑲嵌構(gòu)造鄰域鄰接關(guān)系，Voronoi鑲嵌也用于構(gòu)建scGCO中的圖表示。與k近鄰或k互近鄰相比，Voronoi鑲嵌可以適應(yīng)不同的鄰域大小和距離，在不同細(xì)胞類型和非均勻密度的組織中具有更好的穩(wěn)定性。然后，MERINGUE計(jì)算每個(gè)基因的Moran’s I來(lái)衡量空間自相關(guān)性，它表示空間相鄰位置之間的表達(dá)相關(guān)性。Giotto還提供了一種基于空間網(wǎng)格的方法BinSpect。類似地，BinSpect依靠Voronoi鑲嵌來(lái)確定鄰域關(guān)系。BinSpect采用統(tǒng)計(jì)富集分析，而不是Moran的I。對(duì)于每個(gè)基因，BinSpect使用k=2的k-means聚類或簡(jiǎn)單的秩閾值對(duì)表達(dá)進(jìn)行二值化。接下來(lái)，計(jì)算列聯(lián)表以反映相鄰位置之間的表達(dá)式依賴關(guān)系。然后采用Fisher精確檢驗(yàn)來(lái)獲得優(yōu)勢(shì)比和相應(yīng)的p值。如果一個(gè)基因被發(fā)現(xiàn)是重要的，它往往在鄰近的位置高度表達(dá)。

3）基于其他原則
除了基于統(tǒng)計(jì)模型或圖形表示的方法之外，還有使用完全不同原理的方法。Sepal提出了一個(gè)獨(dú)特的策略擴(kuò)散理論，將觀察到的基因表達(dá)譜視為轉(zhuǎn)錄物擴(kuò)散的結(jié)果。在模擬的框架內(nèi)，sepal假設(shè)轉(zhuǎn)錄本形成結(jié)構(gòu)化模式比達(dá)到均勻隨機(jī)狀態(tài)需要更多的時(shí)間。因此，推斷基因表達(dá)模式的結(jié)構(gòu)化程度轉(zhuǎn)化為測(cè)量模擬系統(tǒng)中的擴(kuò)散時(shí)間。另一種方法，SPADE側(cè)重于識(shí)別與形態(tài)特征相關(guān)的重要基因。SPADE利用CNN從組織學(xué)圖像中提取潛在圖像特征。然后對(duì)高維特征進(jìn)行主成分分析，總結(jié)圖像特征的空間分布規(guī)律。SPADE使用線性模型來(lái)發(fā)現(xiàn)與圖像模式（即pc）相關(guān)的基因，這些基因已被證明具有特定的空間趨勢(shì)。為了模擬基因表達(dá)的空間變異，上述方法只考慮位置之間的相對(duì)距離，而忽略了特定方向上的變異。SPATA為用戶提供了根據(jù)先驗(yàn)知識(shí)手動(dòng)定義軌跡軸的選項(xiàng)。對(duì)于每個(gè)基因，沿著預(yù)定義的空間軸擬合多個(gè)函數(shù)來(lái)模擬空間變化模式，包括線性，對(duì)數(shù)或梯度上升/下降，單峰或多峰函數(shù)。在所有函數(shù)中，通過(guò)對(duì)殘差求和的比較，選擇最適合的函數(shù)來(lái)表示基因的動(dòng)態(tài)。在空間可變基因被識(shí)別后，一些方法通過(guò)聚類進(jìn)一步確定原型基因模式。SpatialDE通過(guò)對(duì)聚類質(zhì)心具有空間先驗(yàn)的擴(kuò)展高斯混合模型，對(duì)具有相似空間表達(dá)模式的svg進(jìn)行聚類。

同樣，SPARK實(shí)現(xiàn)了一種分層聚類算法，將檢測(cè)到的變量基因分為不同的類別。MERINGUE不是基于表達(dá)構(gòu)建相似性矩陣，而是通過(guò)計(jì)算空間相互關(guān)聯(lián)指數(shù)來(lái)推導(dǎo)相互關(guān)聯(lián)矩陣，這是對(duì)每對(duì)基因的Moran 's I自相關(guān)的改進(jìn)。這構(gòu)成了分層聚類的基礎(chǔ)。GLISS在潛在結(jié)構(gòu)上擬合一個(gè)樣條模型，其中每個(gè)基因可以用擬合的樣條系數(shù)表示，具有相似基因模式的基因?qū)⒐蚕硐嗨频南禂?shù)。與基于表達(dá)的相似度相比，基于樣條系數(shù)計(jì)算基因-基因相似度可以降低與空間變異無(wú)關(guān)的相關(guān)性。然后，GLISS對(duì)系數(shù)進(jìn)行譜聚類，將基因聚類成組。

6. 偽時(shí)間軌跡分析
從scRNA-seq或ST數(shù)據(jù)中，我們只捕獲細(xì)胞基因表達(dá)的快照。通過(guò)以上的空間域檢測(cè)或SVG識(shí)別，我們可以分別以離散或連續(xù)的方式研究空間上的轉(zhuǎn)錄動(dòng)態(tài)。之前在scRNA-seq偽時(shí)間分析方面的努力為我們提供了僅從表達(dá)數(shù)據(jù)重建細(xì)胞狀態(tài)軌跡的機(jī)會(huì)。ST帶來(lái)的附加空間信息通過(guò)引入空間維度擴(kuò)展了原有的偽時(shí)間分析。在ST數(shù)據(jù)上直接應(yīng)用單細(xì)胞偽時(shí)間方法可能導(dǎo)致細(xì)胞軌跡隨時(shí)間連續(xù)而在空間上不連續(xù)。為了解決這個(gè)問(wèn)題，stLearn通過(guò)加入空間信息來(lái)調(diào)整原始的偽時(shí)間算法。stLearn首先利用擴(kuò)散偽時(shí)間（DPT）算法從基因表達(dá)中預(yù)測(cè)偽時(shí)間。然后結(jié)合基于表達(dá)式的偽時(shí)間和空間距離的差異計(jì)算偽時(shí)空距離（PSTD）矩陣，并用一個(gè)權(quán)值來(lái)平衡它們�；�于PSTD矩陣，stLearn構(gòu)建了一個(gè)有向圖，并應(yīng)用最小生成樹算法來(lái)確定分支（即推斷細(xì)胞軌跡）。與其依賴于僅從基因表達(dá)推斷的初始偽時(shí)間軌跡，還出現(xiàn)了幾種從組合表達(dá)和空間信息預(yù)測(cè)細(xì)胞軌跡的方法。在空間域識(shí)別一節(jié)中討論了SpaceFlow，它提供了一個(gè)深度學(xué)習(xí)框架，可以從ST數(shù)據(jù)中學(xué)習(xí)低維嵌入。SpaceFlow生成的嵌入可用于利用DPT算法計(jì)算偽時(shí)空?qǐng)D（pseudo-Spatiotemporal Map, pSM），便于從ST數(shù)據(jù)中綜合重建時(shí)空軌跡。因此，SpaceFlow生成的時(shí)空順序在空間和偽時(shí)間上都保持一致性。

7. 細(xì)胞-細(xì)胞通訊和基因-基因相互作用
通過(guò)上述分析，我們可以對(duì)細(xì)胞類型的空間分布和表達(dá)的空間變化有一個(gè)基本的了解。然而，細(xì)胞或細(xì)胞類型的組織，以及產(chǎn)生這種空間模式的基因調(diào)控，仍然難以捉摸。許多研究報(bào)道，細(xì)胞行為可以由來(lái)自環(huán)境的細(xì)胞信號(hào)通路塑造�？臻g轉(zhuǎn)錄組學(xué)提供了一個(gè)獨(dú)特的機(jī)會(huì)來(lái)研究保存微環(huán)境中的細(xì)胞-細(xì)胞通訊。利用ST數(shù)據(jù)探索細(xì)胞間空間依賴性的方法有幾種，其中最直觀的方法是研究不同細(xì)胞類型的鄰近或共定位。例如，Giotto采用隨機(jī)排列策略來(lái)識(shí)別富集的細(xì)胞型對(duì)。在鄰域網(wǎng)絡(luò)結(jié)構(gòu)固定的情況下，對(duì)節(jié)點(diǎn)間的細(xì)胞類型標(biāo)簽進(jìn)行洗牌，形成隨機(jī)的鄰域關(guān)系。通過(guò)這種方式，可以確定兩種細(xì)胞類型之間觀察到的超期望頻率的比率，并可以估計(jì)相應(yīng)的富集顯著性。spicyR最初是為原位細(xì)胞術(shù)的空間分析而設(shè)計(jì)的，它定義了一個(gè)分?jǐn)?shù)來(lái)衡量細(xì)胞類型共定位的程度。spicyR通過(guò)標(biāo)記點(diǎn)過(guò)程模擬細(xì)胞的空間分布，應(yīng)用k函數(shù)或方差穩(wěn)定的k函數(shù)（即l函數(shù)）來(lái)量化特定距離內(nèi)兩種細(xì)胞類型之間的共定位。最近，ang等人基于集體最優(yōu)運(yùn)輸方法開(kāi)發(fā)了COMMOT，用于處理復(fù)雜的分子相互作用和空間約束，以推斷空間分辨轉(zhuǎn)錄組學(xué)中旁分泌依賴的細(xì)胞-細(xì)胞通信。

除了觀察到的細(xì)胞類型的共定位外，細(xì)胞之間的空間依賴關(guān)系可能更為復(fù)雜，需要通過(guò)更復(fù)雜的方法來(lái)建模。NCEM在以節(jié)點(diǎn)為中心的表達(dá)模型中協(xié)調(diào)方差歸因和細(xì)胞-細(xì)胞通信。NCEM首先使用圖結(jié)構(gòu)對(duì)單元通信實(shí)施鄰域約束。通過(guò)提供的細(xì)胞類型標(biāo)簽，NCEM根據(jù)細(xì)胞類型和空間背景應(yīng)用一個(gè)功能來(lái)擬合細(xì)胞所觀察到的基因表達(dá)。為了適應(yīng)不同場(chǎng)景中空間依賴關(guān)系的復(fù)雜性，NCEM提供了三個(gè)模型，包括線性、非線性和生成潛變量模型，分別由線性回歸、非線性編碼器-解碼器GNN和條件變分自編碼器實(shí)現(xiàn)。通過(guò)對(duì)目標(biāo)細(xì)胞（即接收器）的分子狀態(tài)對(duì)鄰域（即發(fā)送方）的依賴性進(jìn)行建模，NCEM還可以確定發(fā)送方-接收器信號(hào)的方向性。不同于對(duì)整個(gè)表達(dá)譜依賴于細(xì)胞間通訊的建模，有幾種方法量化了細(xì)胞間相互作用對(duì)每個(gè)基因表達(dá)的影響。例如，SVCA使用高斯過(guò)程模型對(duì)靶基因在細(xì)胞間的表達(dá)進(jìn)行建模，并將基因的變異性分解為三個(gè)組成部分，包括內(nèi)在效應(yīng)、來(lái)自未測(cè)量空間變量的環(huán)境效應(yīng)以及來(lái)自鄰近細(xì)胞的細(xì)胞間相互作用效應(yīng)。通過(guò)這種方式，可以估計(jì)每個(gè)基因的每個(gè)術(shù)語(yǔ)解釋的方差的比例，并且可以識(shí)別參與細(xì)胞-細(xì)胞相互作用的生物學(xué)相關(guān)基因。MISTy設(shè)計(jì)了一個(gè)多視圖框架來(lái)解釋單個(gè)基因的表達(dá)，其中來(lái)自不同空間背景的細(xì)胞-細(xì)胞相互作用在不同的視圖中建模。與SVCA相似，MISTy包括內(nèi)觀、近觀和旁觀，分別對(duì)應(yīng)于同一位置其他基因表達(dá)的內(nèi)在影響、近鄰的影響和組織結(jié)構(gòu)（即指定細(xì)胞半徑內(nèi)的細(xì)胞）的影響。通過(guò)分析每個(gè)預(yù)測(cè)基因在每個(gè)視圖中對(duì)目標(biāo)基因的重要性，不同空間背景的影響可以解釋感興趣的基因?qū)�。SVCA和MISTy可以模擬基因-基因關(guān)系，發(fā)現(xiàn)與細(xì)胞-細(xì)胞相互作用相關(guān)的基因，但它們都不能識(shí)別顯性基因-基因相互作用對(duì)。Yuan和Bar-Joseph開(kāi)發(fā)了GCNG，一種基于gcns的監(jiān)督計(jì)算框架，用于預(yù)測(cè)基因相互作用。GCNG以空間鄰域的圖表示作為輸入，以及候選基因?qū)Φ臍w一化表達(dá)。輸出將是相互作用或非相互作用基因?qū)Φ姆诸悺?/span>

為了實(shí)現(xiàn)監(jiān)督學(xué)習(xí)，已知的配體-受體相互作用被標(biāo)記為正對(duì)，隨機(jī)選擇的配體-受體對(duì)被標(biāo)記為負(fù)數(shù)據(jù)。GCNG具有五層GCN結(jié)構(gòu)，可以預(yù)測(cè)所研究的ST數(shù)據(jù)集中新的基因-基因相互作用。然而，GCNG不能告知相互作用發(fā)生的細(xì)胞類型，也不能關(guān)注特定局部區(qū)域內(nèi)的相互作用推斷。為了解決這些局限性，一些方法通過(guò)考慮細(xì)胞類型位置依賴于配體和受體的共表達(dá)。例如，MERINGUE進(jìn)一步將基因?qū)χ�間的空間互相關(guān)計(jì)算限制為篩選的配體-受體對(duì)和兩種感興趣的細(xì)胞類型。Garcia-Alonso等人將他們的CellphoneDB升級(jí)到v3.0，可以在特定的微環(huán)境中識(shí)別感興趣的細(xì)胞類型的配體-受體對(duì)。同樣，在上一步細(xì)胞類型接近分析的基礎(chǔ)上，Giotto通過(guò)計(jì)算相互作用細(xì)胞類型的細(xì)胞亞群中配體和受體的加權(quán)平均表達(dá)來(lái)定義配體-受體相互作用評(píng)分。

8. 空間數(shù)據(jù)綜合分析
隨著通量的增加和成本的降低，一些研究從多個(gè)個(gè)體中生成ST幻燈片以進(jìn)行大規(guī)模分析。其他一些研究從組織的多個(gè)相鄰層產(chǎn)生一系列ST玻片，從而實(shí)現(xiàn)整個(gè)組織的全局視圖。對(duì)單個(gè)ST玻片進(jìn)行單獨(dú)分析可能會(huì)降低多個(gè)樣品的功效。因此，需要采用積分方法對(duì)多個(gè)樣本進(jìn)行聯(lián)合分析。此外，隨著形態(tài)學(xué)等附加信息的提供，空間轉(zhuǎn)錄組學(xué)應(yīng)該與其他模式相結(jié)合，以全面表征組織。在本節(jié)中，我們將回顧多樣本集成和不同模態(tài)空間數(shù)據(jù)集成的計(jì)算方法。

1）多試樣集成
多樣本積分的核心是將多個(gè)樣本放置在同一空間，稱為共同坐標(biāo)框架（common coordinate framework， CCF）。坐標(biāo)系包含兩個(gè)方面。一方面，CCF可以代表自然的三維空間，其中多個(gè)平面幻燈片排列堆疊，提供組織的立體視圖。另一方面，來(lái)自多個(gè)樣本的高維空間位置測(cè)量可以投影到共享的低維空間中，用于聯(lián)合空間域識(shí)別等綜合分析。

已經(jīng)開(kāi)發(fā)了一些方法來(lái)排列來(lái)自同一組織的多個(gè)連續(xù)載玻片。PASTE將多片排列表述為一個(gè)最優(yōu)運(yùn)輸問(wèn)題，該問(wèn)題基于基因表達(dá)和空間信息計(jì)算概率排列。通過(guò)最小化運(yùn)輸成本，PASTE可以實(shí)現(xiàn)最大限度地提高幻燈片上對(duì)齊位置之間的基因表達(dá)相似性，同時(shí)保留幻燈片內(nèi)的空間結(jié)構(gòu)。PASTE可以對(duì)齊來(lái)自同一組織的多個(gè)連續(xù)幻燈片，但不能應(yīng)用于來(lái)自不同時(shí)間點(diǎn)的幻燈片的集成。Andersson等人提出了一種方法eggplant，這是一種基于地標(biāo)的方法，將多個(gè)幻燈片投影到共同參考文獻(xiàn)中。首先，eggplant將測(cè)量到的空間位置投影到參考點(diǎn)上，使變換前后地標(biāo)之間的距離保持不變。接下來(lái)，eggplant應(yīng)用高斯過(guò)程回歸來(lái)學(xué)習(xí)所有排除地標(biāo)的位置的基因表達(dá)與到地標(biāo)的距離之間的關(guān)系，從而可以預(yù)測(cè)參考中每個(gè)位置的基因表達(dá)。采用位置轉(zhuǎn)換與表達(dá)預(yù)測(cè)相結(jié)合的策略，可以將不同時(shí)間點(diǎn)或不同個(gè)體的多張幻燈片轉(zhuǎn)移到同一參考文獻(xiàn)中進(jìn)行綜合分析。然而，eggplant不僅需要選擇地標(biāo)位置，還需要定義參考，參考通常是代表組織域的規(guī)范結(jié)構(gòu)。這兩個(gè)要求限制了eggplant在腫瘤等更復(fù)雜組織上的應(yīng)用。為了解決這個(gè)問(wèn)題，Jones等人開(kāi)發(fā)了GPSA，它也是基于高斯過(guò)程模型。GPSA構(gòu)建了一個(gè)雙層高斯過(guò)程框架，其中第一層將測(cè)量的空間位置映射到一個(gè)公共坐標(biāo)系，第二層描述該系統(tǒng)內(nèi)的空間基因表達(dá)。與eggplant相比，GPSA可以從頭迭代估計(jì)公共坐標(biāo)系統(tǒng)，但它也提供了基于模板的與預(yù)定義的公共坐標(biāo)對(duì)齊的選項(xiàng)系統(tǒng)通過(guò)固定一個(gè)幻燈片。

不同于將空間位置從多張幻燈片映射到自然3D空間中的CCF，有幾種方法側(cè)重于將多個(gè)樣本投影到共享的低維空間。在這種情況下，整合方法應(yīng)該能夠從不同批次中去除不需要的變異，并保留有意義的生物變異，如scRNA-seq。但不同于單細(xì)胞積分法，ST積分法需要考慮空間信息。Liu等人提出了PRECAST，這是一種統(tǒng)一的原則性概率模型，用于聯(lián)合估計(jì)低維嵌入并在多個(gè)組織載片上執(zhí)行空間聚類。PRECAST采用內(nèi)稟條件自回歸（CAR）模型對(duì)歸一化的基因表達(dá)進(jìn)行降維，在低維空間中保持了鄰居之間原有的空間依賴性。由此產(chǎn)生的潛在低維嵌入可以進(jìn)一步利用HMRF模型進(jìn)行空間聚類。正如我們上面提到的，BASS支持多尺度分析，同時(shí)進(jìn)行細(xì)胞類型聚類和空間域檢測(cè)。它還允許多樣本整合分析，通過(guò)聯(lián)合建模和諧校正的空間轉(zhuǎn)錄組與層次貝葉斯框架。另一種方法，MAPLE提出了一個(gè)混合框架，用于多個(gè)部分的聯(lián)合空間聚類，通過(guò)基于gcn的模型進(jìn)行空間感知的低維嵌入學(xué)習(xí)。

2）多模態(tài)集成
如上所述，單細(xì)胞和空間轉(zhuǎn)錄組學(xué)通常結(jié)合起來(lái)，通過(guò)細(xì)胞作圖或細(xì)胞類型反褶積來(lái)破譯細(xì)胞類型的空間分布。在我們回顧的整合方法中，Tangram脫穎而出，通過(guò)與多模態(tài)單細(xì)胞數(shù)據(jù)集成，將其他模式的數(shù)據(jù)映射到空間轉(zhuǎn)錄組學(xué)。例如，一旦SHAREseq的單細(xì)胞通過(guò)基因表達(dá)相似性定位到空間位置，染色質(zhì)可及性的空間模式就可以被揭示�？紤]到許多ST技術(shù)提供相應(yīng)的組織學(xué)圖像，許多計(jì)算方法利用額外的圖像信息來(lái)提高每一步的分析性能。例如，stLearn利用形態(tài)相似性對(duì)表達(dá)數(shù)據(jù)進(jìn)行規(guī)范化，從而減少技術(shù)噪聲的影響。在計(jì)算點(diǎn)-點(diǎn)距離構(gòu)建空間轉(zhuǎn)錄組學(xué)圖時(shí)，spaGCN考慮了組織學(xué)圖像特征。stMVC采用帶有注意機(jī)制的圖網(wǎng)絡(luò)來(lái)整合包括組織學(xué)特征在內(nèi)的多源信息，最終學(xué)習(xí)ST數(shù)據(jù)的低維嵌入。同樣，conST和MUSE等方法也使用深度學(xué)習(xí)架構(gòu)來(lái)整合細(xì)胞形態(tài)和轉(zhuǎn)錄狀態(tài)以進(jìn)行聯(lián)合表示。SPADE沒(méi)有采用復(fù)雜的基于深度學(xué)習(xí)的機(jī)制，而是使用線性回歸模型直接將基因表達(dá)的空間方差與圖像特征的空間分布模式聯(lián)系起來(lái)。

除了便于空間轉(zhuǎn)錄組學(xué)分析外，組織學(xué)圖像還可用于預(yù)測(cè)空間基因表達(dá)。已經(jīng)開(kāi)發(fā)了許多方法來(lái)解決這個(gè)問(wèn)題。為了克服一些基于條形碼的ST技術(shù)的低分辨率限制，bergenstratuhle等人提出了一種深度生成模型，從高分辨率組織學(xué)圖像中推斷超分辨率表達(dá)圖，包括原始測(cè)量位置內(nèi)部和之間。一些方法不是專注于提高空間基因表達(dá)的分辨率，而是將空間轉(zhuǎn)錄組預(yù)測(cè)推廣到?jīng)]有匹配表達(dá)數(shù)據(jù)的組織病理圖像。例如，He等人引入了一種深度學(xué)習(xí)算法ST-Net，通過(guò)結(jié)合空間轉(zhuǎn)錄組學(xué)和組織學(xué)圖像來(lái)捕獲基因表達(dá)異質(zhì)性。該模型使用包含68個(gè)乳腺組織切片的ST切片的BRCA空間轉(zhuǎn)錄組數(shù)據(jù)集進(jìn)行訓(xùn)練，可以直接從組織學(xué)圖像中預(yù)測(cè)其他乳腺癌數(shù)據(jù)集的空間分辨率轉(zhuǎn)錄組。然而，ST-Net并沒(méi)有考慮到點(diǎn)之間的空間依賴性。HisToGene采用了一種改進(jìn)的Vision Transformer模型來(lái)預(yù)測(cè)空間基因表達(dá)，并考慮了位點(diǎn)依賴性。在HisToGene的基礎(chǔ)上，Hist2ST還包括一個(gè)Convmixer模塊，用于捕獲圖像斑塊內(nèi)2D視覺(jué)特征的內(nèi)部關(guān)系。

應(yīng)用程序
近年來(lái)空間轉(zhuǎn)錄組學(xué)的快速發(fā)展促進(jìn)了其在各種生物系統(tǒng)中的廣泛應(yīng)用。ST技術(shù)在空間表征健康組織的細(xì)胞狀態(tài)方面發(fā)揮了重要作用，其中一些技術(shù)旨在破譯特定發(fā)育階段組織的空間結(jié)構(gòu)。值得注意的是，在這些組織中，神經(jīng)系統(tǒng)一直是研究的焦點(diǎn)。許多研究為構(gòu)建詳細(xì)的大腦空間圖譜做出了重大貢獻(xiàn)。此外，ST技術(shù)在探索損傷或病變組織的微環(huán)境方面已被證明是無(wú)價(jià)的，包括感染病毒的小鼠肺部，心肌梗死的人類心臟以及一系列不同的腫瘤類型。本文綜述了ST在三個(gè)主要領(lǐng)域的應(yīng)用，包括健康組織的發(fā)育和動(dòng)態(tài)平衡、神經(jīng)科學(xué)和腫瘤微環(huán)境。

1）健康組織的發(fā)育和體內(nèi)平衡
大多數(shù)研究利用小鼠模型來(lái)研究早期哺乳動(dòng)物胚胎的發(fā)育。已經(jīng)建立了小鼠胚胎發(fā)育的幾個(gè)階段的空間圖譜。Peng等人關(guān)注著床后階段的譜系分化和形態(tài)發(fā)生。Geo-seq應(yīng)用于從原腸形成前（胚胎期第I5.5天）到原腸形成后期（胚胎期第7.5天）所有胚層中預(yù)先選擇位置的細(xì)胞群。該研究揭示了譜系規(guī)范和組織模式在時(shí)間和空間上的動(dòng)態(tài)分子調(diào)控。此外，他們還發(fā)現(xiàn)了Hippo/Yap信號(hào)在細(xì)菌層發(fā)育過(guò)程中的關(guān)鍵作用。為了進(jìn)一步探索原腸胚形成結(jié)束時(shí)早期器官發(fā)生中細(xì)胞命運(yùn)的決定，Lohoff等對(duì)E8.5 - E8.75時(shí)收集的小鼠胚胎的多個(gè)矢狀切片進(jìn)行了seqFISH。由于目標(biāo)基因數(shù)量有限，他們將seqFISH與現(xiàn)有的單細(xì)胞轉(zhuǎn)錄組圖譜整合，以實(shí)現(xiàn)全基因組的植入。利用生成的單細(xì)胞空間圖譜，揭示了早期發(fā)現(xiàn)的中腦和后腦區(qū)域背-腹軸和喙-尾軸對(duì)應(yīng)的基因表達(dá)空間模式腸管背腹分離。最近，Chen等人將高分辨率Stereo-seq技術(shù)應(yīng)用于E9.5 ~ E16.5妊娠中后期的全鼠胚胎，最終構(gòu)建了小鼠器官發(fā)生時(shí)空轉(zhuǎn)錄組圖譜（MOSTA）。除了小鼠的早期胚胎發(fā)育，許多研究人員已經(jīng)利用空間轉(zhuǎn)錄組學(xué)來(lái)探索驅(qū)動(dòng)人類器官或組織發(fā)育的空間依賴機(jī)制。例如，Crosse等人利用基于lcm的RNA測(cè)序技術(shù)，對(duì)卡內(nèi)基階段（CS）16 - CS17（即受孕后39-41天）的人類胚胎中正在發(fā)育的造血干細(xì)胞（HSC）生態(tài)位進(jìn)行了空間分辨分析。他們分析了主動(dòng)脈的背腹側(cè)極化信號(hào)，并確定腹側(cè)分泌的內(nèi)皮素是早期人類HSC發(fā)育的重要分泌調(diào)節(jié)因子。在對(duì)人類心臟發(fā)育的研究中，Asp等人使用ST技術(shù)表征了人類心臟在三個(gè)發(fā)育階段（受孕后4.5 - 5周、6.5周和9周）的不同解剖區(qū)域。通過(guò)scRNA-seq和ISS的整合，建立了一個(gè)全面的空間圖譜，提供了人類心臟發(fā)生過(guò)程中細(xì)胞亞型定位的詳細(xì)信息。類似的策略也應(yīng)用于8至22 PCW的人類腸道發(fā)育研究。除了生成人類腸道發(fā)育的時(shí)空?qǐng)D譜外，他們還揭示了形態(tài)梯度如何指導(dǎo)細(xì)胞分化�？臻g轉(zhuǎn)錄組學(xué)也被應(yīng)用于成人健康組織的細(xì)胞型圖譜和穩(wěn)態(tài)維持的研究，可以作為與病變組織比較的參考。Shen等利用Stereo-seq技術(shù)繪制了人類牙齦的ST圖譜。通過(guò)鑒定牙周炎相關(guān)效應(yīng)細(xì)胞、基因和途徑，ST結(jié)果可能有助于開(kāi)發(fā)新的牙周炎治療策略。Madissoon等人通過(guò)結(jié)合scRNA-seq、snRNA-seq和10x Visium ST，創(chuàng)建了人類肺和氣道的空間多組學(xué)圖譜，其中包括各種新的和已知的細(xì)胞類型。空間肺圖譜還揭示了特定的組織微環(huán)境，如腺體相關(guān)淋巴細(xì)胞生態(tài)位（GALN），可能在預(yù)防呼吸道感染中發(fā)揮作用。在另一項(xiàng)關(guān)于人類子宮的研究中，Garcia-Alonso等也應(yīng)用多組學(xué)技術(shù)構(gòu)建了人類子宮內(nèi)膜的綜合細(xì)胞圖譜，表征了整個(gè)月經(jīng)周期的時(shí)空動(dòng)態(tài)。特別是，進(jìn)一步的空間相互作用分析揭示了NOTCH和WNT信號(hào)通路在塑造纖毛和分泌細(xì)胞系分化中的作用。隨著ST數(shù)據(jù)的積累，可以預(yù)見(jiàn)，在不久的將來(lái)，多源組織圖的整合將導(dǎo)致整個(gè)人體綜合參考空間圖譜的建立。

2）神經(jīng)科學(xué)
明確的分層結(jié)構(gòu)和獨(dú)特的解剖區(qū)域使大腦成為驗(yàn)證新開(kāi)發(fā)的空間轉(zhuǎn)錄組學(xué)技術(shù)的合適材料。反過(guò)來(lái)，這些ST技術(shù)顯著增強(qiáng)了我們對(duì)大腦空間結(jié)構(gòu)的理解。許多研究都致力于構(gòu)建大腦的參考圖。由于早期基于成像的ST技術(shù)的視野大小有限和密集勞動(dòng)性質(zhì)，大多數(shù)研究集中在小鼠大腦的特定亞區(qū)域。例如，Codeluppi等人開(kāi)發(fā)了osmFISH，并使用該方法定義了體感覺(jué)皮層的空間細(xì)胞組織，僅涵蓋33個(gè)靶向標(biāo)記基因和約5000個(gè)細(xì)胞。與此同時(shí)，Moffitt等人通過(guò)將MERFISH與scRNA-seq相結(jié)合，生成了下丘腦視前區(qū)神經(jīng)元的空間分子圖譜。同樣，大腦的其他亞區(qū)，如視覺(jué)皮層、初級(jí)運(yùn)動(dòng)皮層、海馬和小腦，已經(jīng)通過(guò)不同的基于成像的ST技術(shù)來(lái)建立詳細(xì)的空間細(xì)胞組織圖。由于基于高通量條形碼的ST技術(shù)的發(fā)展，Ortiz等人建立了整個(gè)成年小鼠大腦的分子圖譜。他們利用ST技術(shù)分析了從一個(gè)大腦半球沿前后軸收集的75個(gè)鄰近冠狀面切片的空間基因表達(dá)。通過(guò)與Allen小鼠腦圖譜（ABA）的比對(duì)，他們構(gòu)建了一個(gè)完整的腦圖譜，提供了三維組織坐標(biāo)和詳細(xì)的ABA神經(jīng)解剖學(xué)定義。更重要的是，他們還通過(guò)無(wú)監(jiān)督分類在分子圖譜中定義了新的區(qū)域和層特異性亞區(qū)。無(wú)論是整個(gè)大腦還是特定的子區(qū)域，這些圖譜對(duì)實(shí)驗(yàn)神經(jīng)科學(xué)都有很大的價(jià)值，最終擴(kuò)展了我們對(duì)大腦結(jié)構(gòu)-功能關(guān)系的認(rèn)識(shí)。

除了揭示正常大腦中細(xì)胞類型的空間組織外，空間轉(zhuǎn)錄組學(xué)還可以擴(kuò)展到神經(jīng)退行性疾病或精神疾病的研究，揭示神經(jīng)系統(tǒng)功能障礙或失調(diào)的空間相關(guān)機(jī)制。例如，Chen等將ST技術(shù)與ISS相結(jié)合，捕捉了阿爾茨海默�。ˋD）淀粉樣斑塊附近的轉(zhuǎn)錄變化。特別是，他們確定了兩個(gè)基因共表達(dá)網(wǎng)絡(luò)，可能對(duì)阿爾茨海默病中的淀粉樣斑塊沉積有反應(yīng)。Maniatis等在肌萎縮性側(cè)索硬化癥（ALS）的研究中，利用不同階段的ALS小鼠模型，采用ST技術(shù)表征疾病進(jìn)展的時(shí)空動(dòng)態(tài)。結(jié)合ALS患者的死后組織，他們?cè)谂cALS病理相關(guān)的轉(zhuǎn)錄途徑中發(fā)現(xiàn)了共同的空間擾動(dòng)模式。隨著ST技術(shù)在分辨率和檢測(cè)效率方面的不斷提高，我們期望建立更詳細(xì)和全面的神經(jīng)系統(tǒng)地圖集。這些資源對(duì)于探索電路和行為的結(jié)構(gòu)-功能關(guān)系無(wú)疑是無(wú)價(jià)的。

3）腫瘤微環(huán)境
盡管單細(xì)胞轉(zhuǎn)錄組學(xué)已經(jīng)揭示了復(fù)雜的TME中的細(xì)胞類型組成及其功能，但仍未探索這些細(xì)胞如何在空間上組織以控制或促進(jìn)腫瘤進(jìn)展�？臻g轉(zhuǎn)錄組學(xué)使研究不同的細(xì)胞群體和信號(hào)通路與空間背景保存成為可能。腫瘤微環(huán)境一般包括腫瘤細(xì)胞、基質(zhì)細(xì)胞和免疫細(xì)胞。最初的研究工作往往集中在腫瘤區(qū)域的內(nèi)部異質(zhì)性。在人類乳腺癌（BRCA）的單細(xì)胞和空間圖譜研究中，Wu等人從scRNA-seq中衍生出7個(gè)基因模塊來(lái)描述腫瘤內(nèi)的轉(zhuǎn)錄異質(zhì)性。分析發(fā)現(xiàn)兩個(gè)在腫瘤區(qū)域相互排斥的基因模塊，它們分別與EMT和增殖狀態(tài)有關(guān)。在另一項(xiàng)原發(fā)性肝癌的研究中，定義了5種癌癥干細(xì)胞（cancer stem cell，CSC）群體，它們?cè)诓煌�的區(qū)域表現(xiàn)出不同的分布模式，包括前沿、腫瘤和高級(jí)別門靜脈腫瘤血栓形成。值得注意的是，PROM1+ CSCs在門靜脈腫瘤血栓中的比例高于腫瘤區(qū)域，可能在腫瘤進(jìn)展中發(fā)揮關(guān)鍵作用。

以腫瘤區(qū)域?yàn)橹行�，利用空間轉(zhuǎn)錄組學(xué)可以揭示免疫或基質(zhì)細(xì)胞類型的相對(duì)空間分布。Ji等在人鱗狀細(xì)胞癌（SCC）的研究中發(fā)現(xiàn)，B細(xì)胞在腫瘤中浸潤(rùn)，而在腫瘤-間質(zhì)邊界大量存在調(diào)節(jié)性T細(xì)胞、巨噬細(xì)胞和成纖維細(xì)胞。相反，CD8 T細(xì)胞明顯被排除在腫瘤之外。同樣，不同的細(xì)胞亞型或狀態(tài)也顯示出不同的空間模式。Wu等在乳腺癌的TME中發(fā)現(xiàn)了炎癥樣癌癥相關(guān)成纖維細(xì)胞（iCAFs）和肌成纖維細(xì)胞樣CAFs (mCAFs)，但這兩種亞型表現(xiàn)出明顯不同的空間分布。mCAFs富集于浸潤(rùn)性癌區(qū)，而iCAFs分散分布于浸潤(rùn)性癌區(qū)、間質(zhì)區(qū)和淋巴細(xì)胞聚集區(qū)。一些研究感興趣的是腫瘤-基質(zhì)邊界的分子和細(xì)胞類型模式，即腫瘤的侵襲。Wu等人描述了侵襲中細(xì)胞類型豐度的動(dòng)態(tài)變化，并在邊界附近區(qū)域發(fā)現(xiàn)了免疫抑制微環(huán)境。

空間分析還可以識(shí)別腫瘤微環(huán)境中的一些模式結(jié)構(gòu)并對(duì)其進(jìn)行表征。在上述肝癌研究中，對(duì)ST點(diǎn)進(jìn)行無(wú)監(jiān)督聚類，發(fā)現(xiàn)了一個(gè)以三級(jí)淋巴結(jié)構(gòu)（TLS）相關(guān)基因高表達(dá)為特征的聚類，如CXCL13、CCL19、CCL21、LTF和LTB。病理檢查證實(shí)存在TLSs。Wu等定義了一種TLS-50特征來(lái)定位其他組織切片中的tls，也發(fā)現(xiàn)TCGA的HCC患者預(yù)后較好。同樣，Andersson等也在her2陽(yáng)性乳腺癌中發(fā)現(xiàn)了TLSs。為了進(jìn)一步研究TLS如何影響癌癥對(duì)免疫治療的反應(yīng)，梅蘭等人使用空間轉(zhuǎn)錄組學(xué)研究了腎細(xì)胞癌（RCC）中TLS內(nèi)B細(xì)胞反應(yīng)的性質(zhì)。他們發(fā)現(xiàn)TLSs可以產(chǎn)生和繁殖產(chǎn)生抗腫瘤抗體的漿細(xì)胞，這與免疫治療的反應(yīng)有關(guān)。已知細(xì)胞通訊在腫瘤的免疫監(jiān)視或逃逸以及腫瘤進(jìn)展中發(fā)揮重要作用。通過(guò)細(xì)胞類型反褶積或細(xì)胞作圖分析揭示細(xì)胞類型的空間分布，還可以識(shí)別細(xì)胞類型接近或共定位模式。

Moncada等人通過(guò)將scrna -seq定義的細(xì)胞類型定位到胰腺導(dǎo)管腺癌的ST，確定了炎癥成纖維細(xì)胞和應(yīng)激反應(yīng)癌細(xì)胞的共定位。同樣，scRNA-seq和ST在SCC中的整合，在腫瘤特異性角化細(xì)胞群周圍發(fā)現(xiàn)了纖維血管生態(tài)位。進(jìn)一步的相互作用分析表明，共定位可能由多個(gè)配體-受體對(duì)介導(dǎo)。在結(jié)直腸癌的另一項(xiàng)研究中，空間轉(zhuǎn)錄組學(xué)和免疫熒光染色顯示FAP+成纖維細(xì)胞和SPP1+巨噬細(xì)胞共存，這與患者生存率低有關(guān)。

隨著空間多組學(xué)技術(shù)的發(fā)展，細(xì)胞串?dāng)_和代謝狀態(tài)等其他方面的特征將被表征，以獲得對(duì)腫瘤微環(huán)境復(fù)雜性的更多見(jiàn)解。了解腫瘤微環(huán)境有助于確定治療靶點(diǎn)和設(shè)計(jì)抗腫瘤藥物。

總結(jié)
本章全面概述了當(dāng)前空間轉(zhuǎn)錄組學(xué)的進(jìn)展，包括技術(shù)創(chuàng)新、計(jì)算方法和各種應(yīng)用�？臻g轉(zhuǎn)錄組學(xué)徹底改變了我們對(duì)組織組織和細(xì)胞異質(zhì)性的理解，使完整組織內(nèi)基因表達(dá)模式的高分辨率可視化成為可能。計(jì)算方法的發(fā)展促進(jìn)了空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)的整合和解釋，揭示了空間調(diào)控機(jī)制和新的分子相互作用�？臻g轉(zhuǎn)錄組學(xué)已經(jīng)成功地應(yīng)用于各個(gè)領(lǐng)域，包括發(fā)育生物學(xué)、神經(jīng)科學(xué)、癌癥研究和免疫學(xué)，具有加速生物標(biāo)志物發(fā)現(xiàn)和個(gè)性化醫(yī)學(xué)方法的潛力�？臻g轉(zhuǎn)錄組學(xué)代表了一種變革性的方法，并將繼續(xù)完善以重塑我們對(duì)復(fù)雜生物系統(tǒng)的理解。我們預(yù)計(jì)它將為組織穩(wěn)態(tài)和疾病機(jī)制提供深刻的見(jiàn)解。

參考文獻(xiàn)：
Sun F, Li H, Sun D, et al. Single-cell omics: experimental workflow, data analyses and applications. Sci China Life Sci. 2025;68(1):5-102. doi:10.1007/s11427-023-2561-0