作者，Evil Genius
hello，大家好，国庆后的第二天，我们继续盘点，关于空间转录组已经盘点了三篇文章，放在下面，供大家参考和相互交流。
10X空间转录组重点分析合集3
10X空间转录组重点分析合集2
10X空间转录组重点分析合集
关于通讯，之前我详细写了单细胞的通讯分析方法，文章放在下面供大家交流。
单细胞个性化分析之多样本细胞通讯比较篇
单细胞个性化分析之细胞通讯篇
关于空间通讯，我也写过很多文章，也列在下面
10X单细胞（10X空间转录组）通讯分析之总结Nichenet生态位通讯比较分析
时空通讯分析导论
10X空间转录组数据分析之功能信号网络（Ligand---receptor----downstream genes network）
10X空间转录组之组织区域临近通讯实现方法
考虑空间位置的通讯分析手段---CellphoneDB（V3.0）
这一篇，我们就要盘点专业做空间通讯的分析方法，包括SpaOTsc、stlearn、Giotto、CellChat、NicheNet、ICELLNET和SingleCellSignalR等等，我们要一一盘点并分析优劣势。
先来看看空间通讯的最新进展
参考的文章信息
题目：The landscape of cell–cell communication through single-cell transcriptomics
日期：2021-06
期刊：Current Opinion in Systems Biology
链接：https://www.sciencedirect.com/science/article/pii/S2452310021000081
图片.png
介绍
细胞间通讯 (Cell–cell communication, CCC) 是受生化信号调节的细胞间相互作用，能够调节单个细胞的生命过程和细胞间关系。过去CCC 只能在由一种或两种细胞类型和少数几个基因组成的体外实验中进行研究。这样是很不全面的，因为CCC 涉及许多细胞类型和大量基因。单细胞转录组学的研究也慢慢开始从只关注存在哪些细胞转向进一步关注细胞之间的关系。
文章的目的有两个：
- (1) 从单细胞数据中总结新兴 CCC 方法；
- (2) 提出改进当前 CCC 局限性的可能途径。
从单细胞基因组学数据推断 CCC
CCC 通过包括信号通路的各种生化反应来联系。对于给定的信号通路，“发送信号”的配体与“受体细胞”表面表达的相应受体蛋白结合，触发下游基因反应。有两种类型的指令：
- 自分泌，发送者和接收者是同一个细胞；
- 旁分泌，发送者和接收者是两个不同的细胞。
图(a)：细胞可以分泌扩散的配体，并可以与附近细胞表面表达的受体结合。一般发生在接收细胞最接近发送细胞和当有足够的受体表达时。只有当结合的配体触发下游反应时，细胞间通讯才会发生。蓝色和橙色细胞代表不同的细胞类型。对于蓝色细胞，较深的阴影代表更强的配体表达。(b)可以从单个细胞或细胞簇水平的 scRNA-seq 推断细胞间通信，但细胞之间的空间距离会丢失。(c)使用空间转录组学推断细胞间通信保留了细胞之间的空间距离，但可能会损失单细胞或基因层面的信息。
尽管 CCC 核心原理很容易理解，但它常常会过于计算简单化，而导致结果信号值偏高。例如，细胞信号发生在蛋白质水平，而不是基因水平。基因表达量也不可以直接转化为蛋白质表达量，因此单独看到配体或受体的基因表达数据，实际上可能不会在蛋白质水平发生。为此，可以在受体基因表达的情况下，通过检查由配体-受体结合引起的下游靶基因反应来进一步评估通讯情况。
Principles of cell–cell communication inference
scRNA-seq 数据分析CCC的方法
目前已经开发了许多工具来从单个细胞和细胞群水平的 scRNA-seq 推断 CCC。大多数方法是推断细胞群之间的 CCC，SoptSC 是为数不多的推断单个细胞之间 CCC 的方法之一。另外不同工具各有亮点：
- SoptSC、CellChat、SingleCellSignalR使用非线性建模方法计算交互分数。
- CellChat、CellPhoneDB和 ICELLNET考虑了配体和受体的多亚基结构，可以准确地表示异聚复合物，更好地概括已知的配体-受体相互作用
- SoptSC、NicheNet 、scMLnet 和 CytoTalk 等方法解释了受体细胞中的细胞内基因-基因相互作用
- scTensor 对高阶相互作用进行建模，使用张量分解来检测多个细胞群和配体-受体对的多对多 CCC
图片.png
图片.png
图片.png
图片.png
除了基本的量化细胞通讯信号值以外，有的工具还提供可视化方法。CellChat 就是这样一种表示工具，包括用于不同分析任务的强大可视化功能。包括由单个配体-受体对（图 a-d）和多个配体-受体对（图e）介导的信号网络的可视化。
(a)圆的大小和边缘宽度分别与每个细胞簇中的细胞数量和相互作用的细胞簇之间的通信分数成正比。
(c)热图：行和列分别代表源和目标。右侧和顶部的条形图分别代表传出和传入交互的总得分。
(d)层次图由两部分组成：左部分和右部分分别突出显示到cluster A/B/C 和cluster D/E/F 的自分泌和旁分泌信号。实心圆和空心圆分别代表源和目标。圆圈大小与每个单元组中的单元数成正比，边缘宽度表示通信分数。
(e)气泡图显示了有助于从cluster A 到其他cluster 的信号传导的配体-受体对
图片.png
scRNA-seq 和空间数据的整合
仅仅依靠表达量数据来推断CCC通常会引入“噪音”，细胞通信一般会发生在有限的空间内，这个关键信息在scRNA-seq数据中是缺失的。空间转录组（ST）可以保留空间信息，不过通常以牺牲细胞分辨率、覆盖范围或测序深度为代价。
SpaOTsc分别使用来自 scRNA-seq 和 ST 的基因表达相似性和细胞之间的空间距离，从而优化结构来提高数据集成度。
当然还有一些方法可以在没有空间参考的情况下对scRNA -seq 数据进行de novo空间假设，它会将具有类似基因表达谱的细胞放在附近，或者认为共表达配体-受体的细胞是临近的。
图片.png
一些展望
CCC与下游基因调控网络的多尺度连接
目前大多数 CCC 方法侧重于各种信号通路的存在和可能性。例如，CellChat 、SingleCellSignalR、CellPhoneDB 、ICELLNET 和 iTALK根据配体和受体的表达预测潜在的 CCC——这是所有 CCC 方法的主要假设。SpaOTsc等方法通过考虑细胞之间的空间距离来减少假阳性预测。然而，很少有方法可以解释下游信号通路调节和 CCC 之间的联系。尽管有工具可以从 scRNA-seq推断细胞内基因调控网络 (GRN)，但 GRN 推断通常与 CCC 推断是分开的。
与轨迹推断结合
轨迹推断是显示一种或多种细胞类型分化成其他细胞类型的能力。目前已经为 scRNA-seq开发了许多轨迹推断方法，但是，与 GRN 推断一样，轨迹推断是与 CCC 推断分开计算的。事实上，分化轨迹会受到细胞间信号传导的影响，反之亦然。
多组学整合
除了 scRNA-seq 和 ST，现在还有其他新兴的单细胞技术可以提供蛋白质和表观遗传信息。例如，将 scRNA-seq 与 scATAC-seq 整合可以进一步了解细胞聚集和转录调控。由于 CCC 涉及蛋白质特异性和基因特异性反应，但 scRNA-seq 和 ST 均未捕获蛋白质水平信息，因此可以扩展 CCC 方法以纳入这些多组学数据。
好了，我们对软件进行一一盘点
第一、stlearn空间临近通讯
参考文章
10X单细胞空间回顾之stlearn
10X空间转录组之空间临近通讯分析stlearn进阶版
10X空间转录组细胞通讯之stlearn（寻找区域交流热点中心）
分析基本原理
图片.png
网友评论