空间转录组算法

image.png

时空组学技术新进展^* (magtech.com.cn)

RCTD、Cell2Location 和 STRIDE

1. RCTD (Robust Cell Type Decomposition)

介绍

RCTD 是一种用于空间转录组学数据分析的方法，旨在通过结合单细胞 RNA 测序数据和空间转录组学数据，来推断空间转录组学数据中每个空间点的细胞类型组成。

原理

1. 输入数据：

   • 单细胞 RNA 测序数据，包含已知的细胞类型。
   • 空间转录组学数据，包含空间点的基因表达数据。

2. 构建参考基因表达矩阵：

   • 利用单细胞 RNA 测序数据，构建参考基因表达矩阵，每一列代表一个细胞类型，每一行为一个基因。

3. 匹配空间点与细胞类型：

   • 对每个空间点，利用最小二乘法或其他优化算法，将空间点的基因表达分解为参考基因表达矩阵的线性组合。目标是找到最优的细胞类型组合，使得该线性组合与空间点的实际基因表达最接近。

4. 置信度评估：

   • 通过统计方法评估每个空间点的细胞类型组合的置信度，确保结果的可靠性和稳健性。

2. Cell2Location

介绍

Cell2Location 是一种用于空间转录组学数据分析的贝叶斯框架。它通过将单细胞 RNA 测序数据与空间转录组学数据相结合，精确地推断每个空间点的细胞类型和细胞状态。

原理

1. 输入数据：

   • 单细胞 RNA 测序数据，包含已知的细胞类型和状态。
   • 空间转录组学数据，包含空间点的基因表达数据。

2. 贝叶斯模型构建：

   • 构建一个贝叶斯层次模型，假设每个空间点的基因表达是由多种细胞类型和状态的基因表达加权组合而成。

3. 参数估计：

   • 利用贝叶斯推断方法，如变分推断或 MCMC（马尔可夫链蒙特卡罗）方法，估计模型参数。这些参数包括每个空间点的细胞类型和状态的比例。

4. 结果解释：

   • 通过模型输出，得到每个空间点的细胞类型和状态的精确分布，并评估结果的置信度。

3. STRIDE (Spatial Transcriptomics Deconvolution)

介绍

STRIDE 是一种专为空间转录组学数据设计的去卷积方法。它结合了空间信息和基因表达数据，旨在提高细胞类型推断的精度。

原理

1. 输入数据：

   • 空间转录组学数据，包含空间点的基因表达数据。
   • 参考数据集，通常是单细胞 RNA 测序数据或已知的细胞类型的基因表达谱。

2. 数据预处理：

   • 对空间转录组学数据和参考数据进行标准化和预处理，以确保数据的可比性。

3. 去卷积算法：

   • 利用一个优化模型，将空间点的基因表达数据分解为多个细胞类型的基因表达谱的线性组合。该模型通常会利用空间点之间的相邻关系，加入空间平滑项，以提高推断的精度。

4. 结果输出和验证：

   • 输出每个空间点的细胞类型组成，并通过交叉验证或其他统计方法评估结果的可靠性。

总结

• RCTD 利用单细胞 RNA 测序数据作为参考，通过线性代数方法推断空间点的细胞类型组成。
• Cell2Location 采用贝叶斯框架，通过复杂的统计模型和推断方法，精确估计空间点的细胞类型和状态。
• STRIDE 强调空间信息的利用，通过优化模型和空间平滑技术，提高推断结果的精度。