作者，追风少年i
马上国庆了，祝大家节日快乐，我们这一篇进行分析合集
包括三个部分（均是我之前所写）
- 10X空间转录组数据分析重点梳理
- 时空CNV分析导论
- 10X空间转录组之免疫组库分析
第一部分：10X空间转录组数据分析重点梳理
空间转录组学 (ST) 技术正迅速成为单细胞 RNA 测序 (scRNAseq) 的延伸，具有以接近单细胞分辨率分析基因表达的潜力，同时保持组织内的细胞组成。同时拥有表达谱和组织空间信息使研究人员能够更好地了解细胞相互作用和异质性，从而深入了解传统测序技术无法实现的复杂生物过程。ST技术生成的数据本质上是嘈杂的、高维的、稀疏的和多模态的（包括组织学图像、计数矩阵等），因此需要专门的软件来进行深入分析。目前很多研究人员仍然借助单细胞的分析软件来分析空间转录组，但事实证明这些工具不足以分析复杂的 ST 数据集，这一篇我们就来对空间转录组的分析进行梳理。
第一部分，Spatial Reconstruction
这部分是空间转录组的基础分析，也是第一步和获取基础信息的一步，空间转录组数据矩阵的降维、聚类、差异、富集的基础分析，通常还是要借助Seurat的基础流程，于此同时，scanpy、novoSpaRc、Giotto、STutility等分析软件也具有空间转录组基础分析的示例教程。关于第一部分，也要强调一下空间转录组和单细胞转录组基础分析之间的不同，总结如下：
第二部分，Spot Deconvolution
关于单细胞空间联合的分析方法目前已经非常多，但是更为重要的是要有匹配的单细胞空间数据，方法运用的时候需要大家有所选择，总结如下：
| 软件 | 发表文献、杂志及影响因子 | 参考文章 |
|---|---|---|
| Seurat | 没有专门针对单细胞空间联合的文章，但有高分文章引用 | 人鳞状细胞癌成分和空间结构的多峰分析（空间转录组与单细胞文章）、10X空间转录组和10X单细胞数据联合分析方法汇总 |
| cell2location | Cell2location maps fine-grained cell types in spatial transcriptomics(Nature Biotechnology，IF 55分) | 10X单细胞和空间联合分析的方法---cell2location、10X单细胞空间联合分析之再次解读cell2location、10X单细胞空间联合分析之cell2location的详细梳理 |
| SPOTlight | SPOTlight: seeded NMF regression to deconvolute spatial transcriptomics spots with single-cell transcriptomes（Nucleic acids research,IF 17分） | 10X单细胞空间分析回顾之SPOTlight、10X单细胞空间联合分析之三----Spotlight |
| RCTD | Robust decomposition of cell type mixtures in spatial transcriptomics（nature biotechnology、IF 55分） | 10X单细胞空间联合分析之十（RCTD） |
| STdeconvolve | Reference-free cell-type deconvolution of pixel-resolution spatially resolved transcriptomics data(biorxiv) | 10X空间转录组数据分析之空间注释（解卷积，STdeconvolve） |
| Stereoscope | Multi-resolution deconvolution of spatial transcriptomics data reveals continuous patterns of inflammation（biorxiv） | Multi-resolution deconvolution of spatial transcriptomics data reveals continuous patterns of inflammation |
| DSTG | DSTG: Deconvoluting Spatial Transcriptomics Data through Graph-based Artificial Intelligence（Briefings in Bioinformatics、IF 11分） | 10X单细胞空间联合分析之四----DSTG |
| spatialDWLS | SpatialDWLS: accurate deconvolution of spatial transcriptomic data（biorxiv） | 10X单细胞空间联合分析之五----spatialDWLS |
| Tangram | Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram（Nature Methods, IF 28.5） | 10X单细胞空间联合分析之六(依据每个spot的细胞数量进行单细胞空间联合分析----Tangram) |
| CellDART | CellDART: Cell type inference by domain adaptation of single-cell and spatial transcriptomic data(biorxiv) | 10X单细胞-10X空间转录组联合分析之七----CellDART |
| STRIDE | STRIDE: accurately decomposing and integrating spatial transcriptomics using single cell RNA sequencing(biorxiv) | 10X单细胞-10X空间转录组联合分析之八----STRIDE（三维重构） |
| Adroit | AdRoit: an accurate and robust method to infer complex transcriptome composition（Communications Biology,designed for bulk RNA-seq data， IF 5分） | 10X空间转录组和10X单细胞数据联合分析方法汇总 |
| scanpy | 没有专门针对单细胞空间联合的文章 | Integrating spatial data with scRNA-seq using scanorama、10X单细胞（10X空间转录组）批次去除（整合）分析之Scanorama |
其中Seurat的联合方法最为常用，但是其他方法也非常经典，我们重点介绍两个方法：
(1) Cell2location: Cell2location 采用分层贝叶斯框架，假设基因表达计数遵循负二项分布。它首先使用外部 scRNAseq 数据作为参考来估计细胞类型特异性特征。观察到的空间表达计数矩阵用负二项分布建模，其中基因可用的特定技术敏感性、基因和位置特定的加性偏移作为平均参数的一部分包括在内。然后 cell2location 使用变分贝叶斯推理来近似后验分布并相应地产生参数估计 。
(2) SPOTlight : SPOTlight 是一种反卷积算法，它采用非负矩阵分解 (NMF) 回归算法以及非负最小二乘法 (NNLS)。在 SPOTlight 中，执行 NMF 以识别 scRNA-seq 参考中特定于细胞类型的top profile，并执行 NNLS 来识别spot top profile，这是反卷积的结果。此外，据报道，SPOTlight 在不同的生物场景和具有匹配和外部参考的不同技术版本中执行灵敏且准确。
第三部分，Spatially Variable Genes Identification
