分析空间转录组数据集的一个主要挑战是同时合并细胞转录组相似性及其空间位置。近日《Nature Communications》发表了一个灵活的深度学习框架：SpaceFlow，在分析空间转录组数据时结合时空信息。
SpaceFlow是什么？
SpaceFlow通过使用空间正则化深度图网络合并表达相似性和空间信息来生成空间一致的低维嵌入。在嵌入的基础上，开发团队引入了一个伪时空图（pseudo-Spatiotemporal Map），将伪时间概念与细胞的空间位置相结合，以揭示细胞的时空模式。
1） 将ST数据编码到低维嵌入中，反映ST数据中细胞的表达相似性和空间接近性；2） 通过从嵌入中导出的伪时空图（pSM）合并ST数据中细胞或斑点的时空关系；3） 识别具有一致表达模式、清晰边界和较少噪声的空间域。
SpaceFlow的性能测试
通过在spot和单细胞分辨率下空间转录组数据集中与多个现有方法进行比较，证明SpaceFlow能够产生稳定的区域分割，并识别具有生物学意义的时空模式。同时SpaceFlow的应用揭示了鸡心脏发育数据中的进化谱系，以及人类乳腺癌数据中识别肿瘤免疫微环境。
与五种无监督方法的比较表明，SpaceFlow能够识别有生物意义的空间域并产生空间一致的低维嵌入。
SpaceFlow揭示了鸡心脏发育ST数据中进化的细胞系结构。
SpaceFlow在人类乳腺癌ST数据中识别肿瘤免疫细胞-细胞通信。
当以人工注释为基准时，SpaceFlow通过替代方法实现了具有竞争力的分割性能。此外，pSM利用空间上一致的嵌入来揭示组织中的伪时空模式。在DLPFC和Stereo-seq数据中，pSM显示的分层模式分别与人类皮层和小鼠嗅球的发育序列一致，这在非空间伪时空中是看不到的。应用于鸡心脏发育数据，pSM揭示了不断进化的系谱结构，并揭示了不同发育阶段细胞时空关系的动态变化，有助于理解组织发育中功能和结构组织的变化。利用SpaceFlow研究人类乳腺癌ST数据，证明了其识别肿瘤-免疫界面和癌症进展动态的潜力，为研究肿瘤演变和肿瘤与肿瘤微环境的相互作用提供了工具。
综上所述，SpaceFlow提供了一个强大的框架和有效的工具，将先验知识或空间限制纳入ST数据分析，以推断组织中细胞的时空模式。
SpaceFlow软件包是用Python实现的，依赖Pytorch，源代码可从如下链接获取：https://github.com/hongleir/SpaceFlow.
首发公号国家基因库大数据平台
参考文献
Ren, H., Walker, B.L., Cang, Z. et al. Identifying multicellular spatiotemporal organization of cells with SpaceFlow. Nat Commun 13, 4076 (2022). https://doi.org/10.1038/s41467-022-31739-w
图片来源于Nat Commun官网和参考文献，如有侵权请联系删除。
