研究方法 | 如何利用单细胞的数据提升空间转录组的分辨率

空间转录组技术可以提供基因表达的空间位置信息，对理解组织的生物学功能和病理具有重要意义。但是现有的空间转录组技术依然存在分辨率不够高的问题，无法提供细胞类型精确的空间定位。近年来，研究者们陆续开发了单细胞转录组和空间转录组联合分析的方法和算法，以此来提高空间转录组的分辨率。

下面将为大家介绍几种单细胞转录组与空间转录组联合分析的方法和算法，一起来看看吧。

通过单细胞数据中细胞类型特异性基因集（或部分基因）与空间组织区域特异性基因集（或部分基因）进行相关性打分，可以将相关性打分高的细胞类型回帖到对应的空间组织区域（或spot）位置，从而实现空间组织区域（或spot）位置细胞类型的预测。利用基因集相关性整合单细胞及空间转录组数据的算法有MIA（Multimodal Intersection Analysis）及AddModuleScore（Seurat的自带函数）。我们结合案例分别展开介绍：

1.利用MIA算法整合揭示细胞类型与组织区域的重要性

2020年，发表在Nature Biotechnology 的一篇文章联合了单细胞转录组和空间转录组数据来研究胰腺导管癌的异质性（PDAC）。文章利用MIA算法将2例胰腺导管癌（PDAC-A、PDAC-B）的单细胞基因集与空间组织切片不同病理区域的基因集进行相关性分析，发现PDAC-A中的成纤维细胞特异性基因与空间切片癌症区域的基因显著重叠，从而表明单细胞数据中的成纤维细胞为激活的成纤维细胞。

图1 利用MIA算法发现胰腺导管癌成纤维细胞与空间切片的癌症区域重叠（图片引自文献[1]）

2.利用AddModuleScore算法发现新细胞群在组织空间位置上的分布

2020年，发表在Cell 的一篇文章联合了单细胞转录组和空间转录组数据来研究皮肤鳞状细胞癌（cSCC）的细胞组成和分布。文章利用AddModuleScore算法，将单细胞数据注释为肿瘤特异性角质细胞群（TSK）的基因集与空间不同位置spot的基因集进行相关性分析，发现每个患者空间切片具有独立的TSK群，且TSK邻近的基质区域富集癌症相关成纤维细胞和内皮细胞的转录本，从而表明TSK细胞主要位于纤维血管微环境中。

图2 利用AddModuleScore算法发现肿瘤特异性角质细胞群主要位于纤维血管微环境中（图片引自文献[2]）

通过单细胞数据随机混合几个细胞来“伪造”空间的数据，然后与正式的空间转录组数据进行整合，可以推断每个空间spot位置的细胞组成及比例，从而预测每个spot位置每种细胞类型的相对丰度甚至绝对丰度。SPOTlight和Cell2location是基于单细胞随机混合的数据与空间转录组数据进行整合的算法。我们结合案例分别展开介绍：

1.利用SPOTlight算法定位免疫微环境不同细胞的空间位置

2022年，发表在bioRxiv 的一篇文章联合了单细胞免疫组库和空间转录组数据来研究胃癌疾病进展中的免疫微环境。文章利用SPOTlight算法将胃癌免疫微环境不同细胞类型的细胞混合后与空间转录组数据进行整合，发现上皮细胞分布最广泛，T细胞和B细胞邻近且占较高比例，浆细胞位于淋巴细胞外侧，平滑肌细胞主要存在于肌层。该算法提供了胃癌免疫微环境不同细胞类型的精确空间定位。

图3 利用SPOTlight算法定位胃癌免疫微环境不同细胞类型的空间位置（图片引自文献[3-4]）

2.利用Cell2location算法发现特定细胞类型的空间分布

2021年，发表在Nature Genetics 的一篇文章联合了单细胞转录组和空间转录组来绘制人子宫内膜的空间动态图谱。文章利用Cell2location算法，将子宫内膜不同细胞类型的细胞混合后与空间转录组数据进行整合，发现了特定的血管周围细胞：PV MYH11 是子宫肌层的特征，而PV STEAP4 仅存在于子宫内膜，在子宫内膜的增殖期和分泌期，成纤维细胞C7都富集在基底层。该算法确定了子宫内膜细胞类型的空间分布。

图4 利用Cell2location算法发现特定的血管周围细胞在子宫内膜的空间分布（图片引自文献[5-6]）

基于单细胞数据将细胞类型直接映射到空间组织的不同位置，能够更加灵活直观将单细胞的细胞类型回帖到空间组织切片的不同位置，准确地绘制细胞类型精细的空间位置。如CellTrek工具包利用单细胞数据映射的方法，可以准确地绘制不同组织类型中的单个细胞。

1.利用CellTrek算法实现细胞类型的精细定位

2022年，发表在Nature Biotechnology 的一篇开发CellTrek算法的文章，利用CellTrek 算法将小鼠海马体单细胞数据的单个细胞映射到空间转录组的12个簇（G01-G12），发现CA1_Principal细胞、CA2_Principal细胞和CA3_Principal细胞映射到空间组织切片的海马体区域（G06），该算法提供了海马体更加精细的空间细胞分辨率。

图5 利用CellTrek算法实现海马体区域细胞类型的精细定位（图片引自文献[7]）

参考文献

[1] Moncada R, Barkley D, Wagner F, et al. Integrating microarray-based spatial transcriptomics and single-cell RNA-seq reveals tissue architecture in pancreatic ductal adenocarcinomas[J]. Nature Biotechnology, 2020, 38(12):333-342.

[2] Ji A L, Rubin A J, Thrane K, et al. Multimodal analysis of composition and spatial architecture in human squamous cell carcinoma[J]. Cell, 2020, 182(6):1661-1662.

[3] Elosua-Bayes M, Nieto P, Mereu E, et al. SPOTlight: seeded NMF regression to deconvolute spatial transcriptomics spots with single-cell transcriptomes[J]. Nucleic Acids Research, 2021, 49(9):e50.

[4] Tiantian Du, Huiru Gao, Honglei W, et al. Comprehensive dissection of immune microenvironment in the progression of early gastric cancer at spatial and single-cell resolution[J]. BioArt, 2022.

[5] Kleshchevnikov V, Shmatko A, Dann E, et al. Cell2location maps fine-grained cell types in spatial transcriptomics[J]. Nature Biotechnology, 2022.

[6] Garcia-Alonso L, Handfield L F, Roberts K, et al. Mapping the temporal and spatial dynamics of the human endometrium in vivo and in vitro[J]. Nature Genetics, 2021, 53(12):1698-1711.

[7] Runmin W, Siyuan H, Shanshan B, et al. Spatial charting of single cell transcriptomes in tissues[J]. Nature Biotechnology, 2022.