作者，Evil Genius
生活不如意，快用CBD
前几天刚有人让我视频关闭，微信公众号文章被一些别有用心的人举报，今天就出现了大量盗用我名号单细胞空间交响乐的视频出现在B站骗人。
我在B站只有唯一的账号，名字是七夜听雪ii，所有的单细胞空间培训视频均是免费公开的，大家可以随意查看。
B站个人网址https://space.bilibili.com/390048230?spm_id_from=333.1007.0.0
大家要小心识别啊，我从来不和任何营销号，培训公司的人合作，如果我自己要开课，我会在自己的微信公众号单细胞空间交响乐发布，而且发布的时候大家直接就可以加上我本人的微信，也会在微信群里面发布信息。
我们开始今天的学习，第一步就是空间注释，空转系列上课的时候强调过，空间也是需要注释的，如下图
形态学注释是必须的。
包括这种组织学的空间距离分析，代码在空间转录组数据分析之空间轨迹（Spatial tendency）
我们今天主要分享的是，结合转录组信息和组织学信息来识别细胞hubs。
空间分辨基因表达谱提供洞察组织组织和细胞-细胞串扰;然而，基于测序的空间转录组学(ST)缺乏单细胞分辨率。目前的ST分析方法需要单细胞RNA测序数据作为严格解释细胞状态的参考，大多数不使用相关的组织学图像，也无法推断多个组织的共享邻域。
知识背景
- 在多细胞生物中，不同类型细胞的功能受到其周围环境的强烈影响。揭示组织中细胞类型之间的空间组织和交流，有助于深入了解它们的发育、对刺激的反应、对微环境的适应或向恶性或病变状态的转变。
- 细胞类型和精细状态的准确表征对于比较它们的空间组织和跨组织的通信至关重要。
- 大多数现有的用于分析ST数据的计算方法(Cell2location, DestVI, Tangram, Stereoscope, RCTD， BayesPrism等)需要配对和注释的单细胞数据作为参考，并且无法整合组织样本。
- 使用单细胞图谱参考已被证明会增加反褶积误差，尤其不匹配的单细胞数据或者公共数据。
- 通过转录组和组织学图像的联合建模，推断出高精度和背景依赖的细胞状态的比例，同时获得细胞类型特异性基因表达谱，用于下游分析。基因表达和组织学的整合解释了组织结构、细胞密度、结构化技术噪声和测量之间的空间依赖性，这改善了细胞状态及其排列的表征。通过整合多个组织，识别共享或样本特异性niche和潜在的细胞-细胞cross-talk。
结果1、Starfysh执行无参考的细胞类型反卷积（需要机器学习）
Starfysh overview and performance on simulated data
文章主要提到的功能
- 无参考的细胞类型和细粒度细胞状态反卷积功能
- 识别细胞的niche
- 细胞通讯
- 空间可变基因、细胞状态和共定位网络
结果2、Starfysh dissects the spatial heterogeneity of breast tumors，Starfysh显示了一种空间共变的肿瘤-免疫转变
Characterizing spatial tumor heterogeneity in breast carcinoma
- 空间“hubs”定义为具有相似组成的spot
- 不同的肿瘤细胞状态存在于不同的空间hubs
- Starfysh能够阐明肿瘤内转录异质性，并表征多样化和患者特异性肿瘤细胞状态，部分取决于它们的空间背景和与免疫亚群的共定位。
- 空间CNV分析定义肿瘤细胞状态
结果3、Starfysh定义了整合乳腺肿瘤的空间hubs
- hubs的分布在不同的疾病亚型和患者之间有所不同。
-
由肿瘤细胞主导的hubs'在患者之间是不同的。
Characterizing tumor–immune hubs from the integration of samples
结果4、缺氧在MBC中形成免疫抑制生态位
- 空间数据整合识别细胞空间分布差异和互作
-
根据肿瘤区域周围的空间排列将其分为瘤内、瘤周和间质三类，不同样本的肿瘤内hubs突出了患者之间肿瘤细胞的异质性。
Intratumoral inflammation and heterogeneity in MBC epithelia
结果5、乳腺间质TME的空间组织与相互作用
-
CODEX平台获得单细胞级别的空间数据，以识别细胞的空间分布和空间邻域，以及细胞之间的距离关系
Spatial heterogeneity of the stromal breast TME
最后的示例代码在GitHub - azizilab/starfysh: Spatial Transcriptomic Analysis using Reference-Free auxiliarY deep generative modeling and Shared Histology
其中包括解卷积和空间整合（组织学 + 转录组数据 + 多样本）
或者大家可以在百度网盘下载原始文章和示例代码
链接：https://pan.baidu.com/s/1qYazfSPr77vyUjxWhOZX_g?pwd=1epl
提取码：1epl
