10X单细胞空间联合分析发现肥胖会破坏脂肪组织中的先天适应性免疫

29岁的而立之年，😂，不知道上天会给我安排怎样的遭遇，如果还像以往那么倒霉，可不可以倒退回刚毕业的时候，记得自己刚毕业很迷茫，不知道该往何处去，被伤害的时候，更是不知道该勇敢去面对，还是选择逃避，无论是事业、爱情，似乎跟我都很绝缘，看着身边的人都买房买车结婚生子，自己仍然一无所有，不安的情绪总是如影随形，而到了现在，似乎也很迷茫，也不知道该往何处去，想了想，唯一能做的，只是在走过的路上留下点痕迹，证明自己来过~~~~

这一篇我们来继续分享单细胞空间联合分析的文章，文章在Obesity disrupts innate-adaptive immune network patterning in adipose tissue,肥胖会破坏脂肪组织中的先天适应性免疫网络模式，分享了这个内容，大家真的应该好好减肥了~~~~

Abstract

肥胖会导致脂肪组织发生显著变化，这些变化先于组织和全身性胰岛素resistance的发展。免疫细胞浸润和炎症是这些变化的已知促成因素，但对其在组织范围内的空间背景了解有限。这里试图确定肥胖中脂肪组织免疫细胞的空间模式。在饮食诱导肥胖的时间过程中收集了小鼠的附睾脂肪组织，整合了空间转录组学和单细胞 RNA 测序来识别在其解剖环境中保存的主要细胞类型特征。综合分析能够对空间数据spot处的细胞类型进行反卷积、对整个脂肪组织中的spot处的基因表达模式进行定量、细胞类型网络分析以及配体-受体共定位的研究。分析的数据支持通过组织范围内的散布增加先天免疫细胞数量，并抑制肥胖导致的适应性免疫细胞特征。此外，网络分析确定所有主要免疫细胞类型内的异质性增加，表明模式与增加的亚型数量一致。通过首次描述小鼠脂肪组织的位置特异性细胞组成，为更好地理解细胞协作以实现多细胞组织功能的出现提供了一个框架。

Introduction

全球肥胖的增加引起了人们对心血管和代谢疾病的发展、病毒感染不良事件风险增加以及经济和医疗保健成本的严重关注。在肥胖中观察到白色脂肪组织 (WAT) 大小和细胞含量的显著变化，包括与小鼠和人类代谢功能障碍相关的免疫细胞类型和极化的变化。在小鼠高脂饮食 (HFD) 喂养的前几周，一些基质血管细胞 (SVC) population的数量发生了显著变化，这与脂肪细胞肥大的变化相一致。尽管bulk和单细胞转录组学能够对 WAT 免疫细胞中这些与肥胖相关的变化进行低偏差表征，但引发组织功能障碍的分子事件仍然知之甚少，并且包括随着组织消化而丢失的重要解剖学背景。组织免疫染色方法捕获解剖学背景，但在选择少量可同时使用的标记物时存在实际偏差，这对于区分表达相似表面蛋白的细胞（例如在骨髓谱系中）尤其成问题。空间转录组学现在可以跨组织切片绘制基因表达图，保留空间关系，同时减少组织消化和下游细胞处理引入的artifacts。

对于脂肪组织中的免疫细胞，使用一种或两种标记物不足以识别可能具有与疾病病因、进展和预后相关的功能差异的亚型。 脂肪组织中的骨髓细胞，如巨噬细胞 (ATM) 和树突细胞 (ATDC)，在组织稳态中发挥作用，并有助于小鼠肥胖中胰岛素抵抗的发展。 在流式细胞术中使用具有许多标记的复杂门控方案来可靠地识别 ATM 和 ATDC 亚型，但 ICC 不能适应相同的情况。 空间转录组学有可能以 55 μm 的分辨率在解剖学背景下可靠地识别这些population。

本研究的目的是首次在空间上绘制小鼠脂肪组织的微环境。将组织lanscope呈现为细胞网络，并探讨空间模式和细胞间通讯如何，尤其是与免疫反应有关的饮食控制小鼠中随着肥胖的发展趋势。先前的研究结合了饮食诱导的肥胖模型和脂肪组织的转录谱，为肥胖的标志提供了有价值的见解，如胰岛素抵抗的发展、巨噬细胞的积累和细胞多样性的增加。然而，由于依赖于组织解离和均质化的实验技术，这些研究未能证明空间组织对脂肪组织动力学的贡献。最近，空间转录组学被用于研究人类脂肪组织中的脂肪细胞亚群，揭示了三种不同亚型对胰岛素刺激的不同反应。然而，脂肪组织中免疫细胞群的全部范围仍有待在空间背景下进行探索。此外，目前的研究提供了一个时间轴来研究脂肪组织景观如何随着肥胖而变化。

Results

Lean and obese adipose tissue landscape

使用正常饮食 (ND)、高脂饮食 8 周 (8w) 和高脂饮食 14 周 (14w) 的小鼠评估了饮食诱导的肥胖模型中的组织和代谢功能。 正如预期的那样，喂食 HFD 的小鼠体重增加了体重和附睾白色脂肪组织 (eWAT)。 葡萄糖耐量测试 (GTT) 显示曲线下面积 (AUC) 从 HFD 喂养一周开始增加，在中间时间点具有最高的 AUC 和变异性。 脂肪细胞大小显示在 8 周和 14 周组中大脂肪细胞的频率增加，平均脂肪细胞大小更大。 这些数据与这种 HFD 喂养模型的糖尿病前期一致，显示 HFD 喂养期间的早期胰岛素抵抗和与脂肪组织动态重组一致的可变胰岛素抵抗时期。

小鼠饮食诱导的肥胖中 SVC 的变化已得到充分证明，包括免疫细胞浸润、增殖和改变的免疫细胞串扰，从而破坏了稳态机制。在该模型中，细胞结构的最大变化发生在早期脂肪组织扩张期间，并与脂肪细胞大小的变化保持同步。这里试图通过时空分子分析来捕捉这种不断变化的lanscoppe并改变细胞间的通讯，这可以揭示组织功能崩溃时的模式。在这里，通过 VisiumSpatial 基因表达平台使用空间转录组学分析了来自 ND 和 HFD 喂养小鼠的 eWAT 切片的全基因组转录本。检查这些数据，发现在免疫细胞中广泛表达的 Ptprc (CD45) 增加，以及与 ATM 相关的 CD68 增加。值得注意的是，观察到促炎性 ATM 标志物 Itgax (CD11c)、常驻 ATM 相关标志物Mrc1 和 Trem2 增加，它们在脂质相关 ATM 中表达，并提出了保护性脂质稳态和肥胖中脂肪组织重塑的功能。

图片.png

由于多个核可以为每个空间数据spot提供转录本，因此同时对 SVC 进行了单细胞 RNA-seq，以阐明免疫细胞类型的变化并促进空间数据中的特征识别。 对于单细胞数据，SVC 从空间数据脂肪垫对侧的脂肪垫中分离出来，并富含 CD45+ 免疫细胞。 然后跨时间点聚合 scRNA-seq 数据并在对基因进行排序之前进行光谱聚类，建立特定于cluster的基因特征，最后为每个cluster调用细胞类型（算法 1）。整合 scRNA-seq 和 ST 数据集，映射了这些细胞类型，通过查找细胞类型的特征和组织spot的表达谱重叠的位置来发现组织spot（算法 2）。 该组织spot注释步骤为将成年脂肪组织形态发生的破坏建模为基因组动力学和细胞动力学的函数奠定了基础，以最终量化沿肥胖轨迹的组织状态。

图片.png
图片.png
图片.png

Spectral clustering和数据引导的细胞类型识别产生了六种广泛的免疫细胞类型：单核细胞、T 细胞、ATM、ATDC、自然杀伤细胞 (NKC) 和 B 细胞。瘦小鼠和肥胖小鼠脂肪组织的细胞组成变化是：主要由 T 细胞、B 细胞和 ATM 驱动，其中分类为 T 细胞和 B 细胞的单细胞比例随着肥胖而下降（T 细胞为 17% 至 5%，B 细胞为 22% 至 3%），而 被归类为 ATM 的比例急剧增加（43% 至 76%）。 这些发现与之前在饮食控制的小鼠模型中对免疫细胞群的 scRNA-seq 研究一致，其中观察到了相同的免疫细胞组，并且单核细胞和 ATM 是存在的主要populations。

接下来为这些通常具有特征的免疫细胞群在瘦和肥胖的脂肪组织中建立了定位模式。为此，在每个时间点查询跨组织spot的细胞类型特征，根据在该spot表达的特征的比例分层分配细胞类型。这样，一个spot的优势细胞类型是其代表基因表达数量最多的细胞类型。在每个组织spot首先分配的这些细胞类型代表了最有可能的spot注释，并构成了所说的组织spot分配的“主要层”（或第 1 层）。其后剩余的细胞类型被依次分配到每个spot。一旦执行了这种迭代分配，就会得到一系列组织分配层，每个层代表给定细胞类型在组织spot中存在的可能性降低。将此过程称为spot反卷积，并将产生的组织分配层称为“反卷积层”.

随着时间的推移，主要层中的细胞类型定位与来自 scRNA-seq 数据的细胞组成趋势一致，我们观察到大量但减少的 T 细胞和 B 细胞丰度以及 HFD settings中新出现的ATM。 脂肪细胞数量和范围对于肥胖期间脂肪landscope的重新排列也至关重要，然而，在本研究中，强调免疫细胞群之间的相互作用及其在驱动组织功能中的作用。

图片.png
图片.png

Immune response and obesity

炎症是肥胖中脂肪组织功能障碍和胰岛素resistance发展的关键因素。适应性和先天免疫系统的细胞都有助于脂肪组织中的炎症过程，包括 T 细胞、B 细胞、ATM、ATDC 和先天淋巴细胞 (ILC)。这种细胞网络及其亚型通过细胞因子和趋化因子分泌以及细胞间相互作用来调节炎症，随着时间的推移减少抗炎信号传导并促进促炎细胞类型和过程。为了广泛比较肥胖症中适应性和先天性免疫细胞网络的模式，空间数据中的每个组织spot被分类为适应性（T 细胞、B 细胞）、先天性（单核细胞、NKC、ATM 或 ATDC）或基于混合类型算法 2 的前两个组织分配层。发现仅包含适应性免疫细胞的spot随着肥胖而持续下降，从 21% 降至 6%（3.5 倍变化），而仅包含先天免疫细胞的spot随着肥胖而增加，从 1%到 14 周时增加到 9%（9 倍变化），这与已知的 HFD 喂养的细胞结构变化一致。在所有spot中，75%-85% 具有混合类型特征，肥胖中发现的数字更高。总体而言，这些数据支持脂肪组织先天免疫细胞的影响比肥胖的适应性免疫细胞更强，通过增加数量和频率、强大的空间散布以及增加与适应性免疫系统的交叉对话的可能性。

Spatial patterning dynamics in adipose tissue

空间转录组学数据支持对已知组织亚区域中存在的不同细胞类型的清晰描述，并且分析时空模式有助于定义新的解剖亚区域并阐明导致组织功能障碍的模式。 在这里，试图更好地量化肥胖脂肪组织中散布的免疫细胞类型之间的模式。 在小鼠早期饮食诱导的肥胖中，ATM 相对于组织重量的比例增加以及体重增加和减少期间的增殖和凋亡模式表明稳态信号传导的活跃机制最终可能被慢性肥胖所覆盖。 因此，假设从我们的时间过程数据构建的免疫细胞网络将捕获肥胖中 ATM 的破坏概况。

为每种主要细胞类型构建了空间细胞网络，其中节点是基于优势层分配给细胞类型的组织spot，节点之间的边缘表示基于转录特征的相关性。令人惊讶的是，肥胖的细胞类型网络边缘普遍减少，表明同一类型细胞之间的转录相关性丧失。此外，组织spot相关的距离减少，同时细胞类型特异性特征基因表达的异质性增加。空间模式的丧失和异质性的增加支持肥胖中免疫细胞亚型的出现，而这些亚型在瘦状态下不存在。特别是巨噬细胞根据其环境显示出许多表型状态。在将巨噬细胞分类的单细胞聚集成两个subcluster后，两个cluster中只有一个出现在正常饮食环境中，而两者都出现在两种高脂肪饮食环境中。 HFD 环境中出现的cluster在 Cd9 中显著富集（log2FC 为 11.8），此前已在肥胖的富含脂质的巨噬细胞中观察到这一点。与观察到的巨噬细胞亚群相比，T 细胞、B 细胞和 NKC 亚群不太明显，差异表达基因较少。

图片.png
图片.png

Ligand-receptor colocalization

为了更好地了解可能介导肥胖症空间模式变化的特定相互作用，我们评估了成对配体和受体随时间的共定位。 首先捕获了适应性和先天类别中的配体和受体表达，表征了四种相互作用状态：（1）适应性配体和适应性受体，（2）先天配体和先天受体，（3）适应性配体和先天受体，以及（4）先天配体和适应性受体。 对于这项研究，确定已知配体-受体对的转录本共定位作为细胞间通讯的代理，因为每个组织点的限定区域。

从文献中query已知的配体-受体对，在 ST 数据中确定了共定位对，然后从 scRNA-seq 数据中，发现了分别表达该对配体和受体的适应性单细胞的比例，以及先天单细胞的比例分别表达该对的配体和受体。这能够推断来自适应性、先天或两者相互作用的信号相互作用是否有助于我们在瘦和肥胖脂肪组织之间看到的变化。通过取自适应或先天来源的配体和受体的所有成对组合之间的平均比例来定义每个状态的分数。然后对于每个共定位的配体-受体对，确定了四种相互作用状态中哪一种表现出最高分，并发现配体-受体对的百分比主要参与适应性配体-适应性受体、适应性配体-先天受体和先天配体-适应性受体信号在肥胖进展期间减少，而主要参与先天配体-先天受体信号的对的百分比增加。全局相互作用状态——通过取所有共定位配体-受体对的相互作用状态分数的平均值得出——反映了相同的趋势。根据 scRNA-seq 数据，来自肥胖和瘦脂肪组织的巨噬细胞越来越多地占配体（85% 对 44%）和受体（87% 对 46%）表达的大部分。值得注意的是，B 细胞对瘦小鼠的配体 (22%) 和受体 (21%) 表达表现出相对较强的贡献，ATDCs 在 8w 设置中也有 17% 的配体和 18% 的受体表达。

为了进一步探索不同细胞类型对特定配体-受体相互作用的贡献，我们分析了 scRNA-seq 数据以了解共定位配体-受体对之间的清晰表达模式。有趣的是，发现配体和受体更倾向于来自不同细胞类型而不是相同细胞类型的相互作用，尽管随着肥胖而降低。然后，将搜索重点放在具有高置信度相互作用的配体-受体对上。我们发现它们的许多配体和受体成分在 ND (28%) 和 HFD14 (58%) 设置中均从 ATM 对中表达。瘦脂肪组织也因 ATDC 对和单核细胞对之间的配体-受体相互作用而富集（两者均为 25%）。相反，肥胖脂肪组织也表明单核细胞和巨噬细胞之间频繁的配体-受体相互作用（13%）。我们主要感兴趣的是确定显示抗原呈递细胞（ATM、ATDC）和 T 细胞之间相互作用的顶部共定位配体-受体对，但没有观察到any。

图片.png
图片.png

A Turing-inspired model for disruption of adult adipose tissue morphogenesis

1952 年，艾伦·图灵 (Alan Turing) 著名地描述了一个用于模拟形态发生的简单双细胞系统。当时，细胞内基因组的概念并未被捕获，而是以线性方式表示了细胞内和细胞间形态发生素的反应和扩散。这两个定义两个细胞之间关系的组件或子网络被证明在数学上是稳定的，如它们各自的负特征值所证明的那样。然而，当组合时，所得网络包含单个正特征值，表明当考虑细胞内和细胞间动态之间的权衡时系统中的稳态被破坏（box 1）。 2017 年，有人提出这两种动力的协同作用有助于组织中功能的出现。在这里，我们将图灵系统的概念引入我们的跨组织空间细胞系统。像图灵一样，我们的目标是在我们适应的新兴和变形多细胞组织功能模型中捕捉基本现象。对我们来说，这意味着在细胞水平上描述细胞间和细胞内类型的关系，以及在基因组水平上描述细胞类型群体内的转录多样性。我们通过根据位置特异性基因表达谱之间的相关性来描述细胞间动力学来实现这一点由来自空间转录组学数据的欧几里得距离加权，并根据来自 scRNA-seq 数据的单细胞基因表达谱之间的相关性来表征细胞内动力学。综上所述，我们可以全面探究脂肪组织中组织功能的出现。

首先根据单个细胞类型的贡献来表征新兴的组织功能。为此，我们计算了样本中存在的每种免疫细胞类型的细胞和基因组连接性之间的权衡。这揭示了整个组织中巨噬细胞和单核细胞群对肥胖引起的脂肪环境变化的贡献越来越大。与我们之前描述的细胞类型定位趋势进一步一致，T 细胞和 B 细胞对新兴组织功能的贡献随着肥胖而降低。为了定量区分每种组织状态，我们开发了肥胖指数（OI），定义为每种细胞类型的组织功能出现的总和，由组织中代表的细胞类型数量标准化。我们发现这个指数随着时间的推移而增加。对我们的 ND 重复进行此分析进一步验证了 OI 低于两个高脂肪饮食指数的趋势。接下来，我们探讨了每对细胞类型如何协同促进组织功能，我们将其称为多细胞组织功能的出现。To obtain this, we divide the emergence of local tissue function (cell and genome connectivity trade-off derived from merged data across two cell types) and emergence of global tissue function (cell and genome connectivity trade-off derived from merged data across all cell types).

图片.png

通过这种方法，捕获了细胞间和细胞内类型的连接性，并深入了解了细胞类型之间的功能协调。观察到在所有细胞类型配对中与肥胖的耦合总体下降或稳定性，除了单核细胞-巨噬细胞轴与肥胖的耦合急剧增加。由于已知单核细胞分化成成熟的常驻巨噬细胞，这种积极的合作关系并不奇怪。然而，它们的合作是少数细胞类型关系之一，对肥胖状态下的组织功能有很大贡献，这一点值得注意。在小肠中，巨噬细胞依靠单核细胞的补充来维持肠道稳态，因为它们不分裂，因此不能进行自我更新。我们的模型表明，单核细胞对组织功能的贡献略有上升，这为汇集这些额外资源以进一步支持常驻巨噬细胞更新或以某种方式激活肥胖脂肪组织中的非常驻和/或自我更新巨噬细胞群提供了合理性。在肠道稳态与炎症性肠病的背景下，不同的分化结果可分别产生常驻或炎症性巨噬细胞。这种现象可能在这里是平行的，其中单核细胞-巨噬细胞轴的生长可能表明在肥胖脂肪组织的炎症环境中，单核细胞分化轨迹发生分叉以进一步促进肥胖状态。我们还发现巨噬细胞配对 - 特别是与其他先天细胞类型 - 在肥胖进展过程中虽然与其他谱系的耦合减少，但在很大程度上表现出高水平。此外，T 细胞-B 细胞轴表现出最低的协同贡献之一，这与减弱的适应性免疫反应一致。

图片.png

Discussion

炎症是肥胖脂肪组织的一个突出特征，被认为是导致胰岛素抵抗发展的一个因素。 在这里，在其空间背景下对免疫细胞特征的研究突出了先天和骨髓细胞群扩张的组织范围。

这项工作的一个重要caveat是空间转录组学平台，条形码点的直径为 55 𝜇m，中心到中心距离为 100 𝜇m，每个点可能有多个核，其大小取决于切片的厚度。 虽然我们的 scRNA-seq 数据集的灵敏度和分辨率使我们能够更精确地推断整个组织中的细胞身份，但在这项工作的后续迭代中探索具有较小光斑直径的基于测序的空间转录组学平台将是有价值的。

这里收集的空间转录组数据作为对未来组织lanscope和肥胖的扩展探索的试点测试，因此为了优先考虑可行性和成本，我们只收集了正常饮食样本的数据复制。 我们在该领域的后续研究将包括更多数据重复，以促进进一步验证我们的发现。

区分细胞类型，特别是相关谱系之间的一个常见挑战是核心特征基因之间的重叠。 值得注意的是，树突细胞和巨噬细胞表达相似的标记基因。 为了避免这种情况，我们开发了一种数据引导的方法，用于系统地解析我们数据中基因的转录组范围，以在每个细胞cluster中找到那些具有高度代表性和独特性的基因。 我们用来定义细胞类型的最后一组标记包含一些基因，这些基因因此在文献中鲜为人知，但它们仍然是集群特异性的，并且在单细胞和空间数据集中都有代表。 这种方法的稳健性通过我们调用的细胞类型与使用我们的数据作为输入的著名 ImmGen 数据库调用的细胞类型之间的共识来证明。 我们的方法进一步使我们能够根据观察到的富集和耗尽基因来定义这些已知细胞类型的表型，这些细胞类型对我们的样本具有特异性。

这项研究为预测疾病期间组织状态的轨迹提供了概念验证。展望未来，我们的组织形态发生破坏模型可以推广到任何疾病背景，更广泛地说，我们可以定义一个能够区分健康和不健康组织状态的疾病指数。例如，肝脏和肠道组织在病理学上与这项研究相关，因为它们也在肥胖的发展中发挥作用。在小肠中，参与脂质代谢和代谢稳态的基因在肥胖状态下受到影响，而在肝组织中，肥胖与 Th17 相关细胞因子的较高存在相关。对这些组织进行空间和单细胞转录组学的综合分析可以让我们建立一个空间感知的肥胖组织间网络，同时测试我们模型的稳健性。评估我们的模型如何区分具有不同病理的组织样本的下一步将是使用分类组织活检作为基本事实来验证我们的发现。

脂肪组织中的空间模式表明，细胞类型可能在肥胖发作过程中采用替代表型。值得注意的是，我们观察到肥胖脂肪组织中出现了富含 Cd9 的巨噬细胞亚群，尽管在我们的数据中不太容易识别来自其他细胞类型的新出现的亚群。然而，早期的研究表明，Cd8+ T 效应细胞和 Cd4+ TH1 细胞数量增加，而调节性 T 细胞数量随着肥胖而下降。此外，已发现小鼠的内脏脂肪组织在肥胖期间含有增加数量的 IgG+ B 细胞。在我们的 B 细胞亚群中观察到的唯一差异表达基因是免疫球蛋白基因 Ighg3，它在高脂饮食环境中富集（log2FC 为 1），因此虽然我们观察到 B 细胞数量大幅减少，但我们的数据表明剩余的人群主要由肥胖中已知的致病性 B 细胞类别组成。这种模式支持适应性免疫细胞在驱动肥胖中的潜在作用，其中一类新的适应性免疫细胞促进而不是保护肥胖表型开始出现。因此，虽然用于对抗脂肪组织炎症的适应性免疫细胞的募集被破坏，但适应性免疫在肥胖状态下并非完全无效。这些见解可能对于考虑我们如何针对免疫特征来治疗或预防肥胖至关重要。

细胞之间的信号传导对组织发育至关重要，因此会破坏组织的正常发育过程。对瘦脂肪和肥胖脂肪组织中配体受体活性的分析揭示了一个显著的趋势。使用在同一组织位置的共表达作为共定位的代理，我们发现与在适应性细胞类型中表达的配体和受体或两者的组合相比，在先天细胞类型中表达的配体和受体优先在肥胖组织中共定位.这进一步支持了先天免疫系统在促进肥胖状态中所起的作用。毫无疑问，未来的工作将需要验证这些配体-受体相互作用的存在以及捕获来自内分泌或旁分泌信号传导的组织中更远距离的串扰。然而，值得注意的是，将我们的空间和单细胞数据与图灵的细胞内和细胞间动力学系统建模的改编形式相匹配，捕捉到了相同的趋势，其中先天细胞类型越来越多地促进肥胖的组织功能。

图片.png

癌症是一种已知的肥胖合并症。最近，研究表明，肥胖诱导的乳腺脂肪组织中产生 IL-6 的促炎代谢活化巨噬细胞的积累会促进三阴性乳腺癌。 肥胖与癌症之间的关系很容易辨别——肥胖的主要标志之一是炎症，炎症促进癌细胞的肿瘤形成和干细胞特性。 然而，肥胖影响不同癌症的机制尚不完全清楚。 利用空间转录组学等空间分析和表征肥胖期间的组织动力学可以更好地了解肥胖如何影响癌症风险增加。

肥胖会导致脂肪细胞景观的长期变化和持续的炎症表型，如胰岛素抵抗和巨噬细胞增殖。 在这项研究中，我们对肥胖期间不断变化的组织结构有了更清晰的了解，使我们更接近准确的预后、治疗，并能够重新编程患病组织。

Method（这里的方法需要深入研究一下）

Integration of spatial and single-cell transcriptomics data（单细胞空间联合）

通过将来自 scRNA-seq 数据的表达谱映射到它们的配对空间lanscope来表征每个组织切片的细胞组成。为了实现这一点，首先聚合我们的 scRNA-seq 数据矩阵，以均值为中心并将结果矩阵降维为前 20 个奇异向量，然后使用欧几里德距离作为生成相似图的度量进行谱聚类。根据文献中脂肪组织中发现的已知细胞类型，我们选择了 15 个clusters (k = 15)。然后，我们采用数据引导的细胞类型识别方法，根据普遍性（cluster中表达每个基因的细胞百分比）、cluster平均表达（cluster中所有细胞中每个基因的平均表达）对每个cluster的标记进行评分和唯一性（参见“标记唯一性”小节）。对于每个clusters，在所有三种饮食环境中也表达并在空间转录组数据中表达的具有最高累积分数的前 50 个基因被选为集群特异性特征。我们使用先前的文献和 CellMarker 数据库来查询这些特征并为每个cluster调用细胞类型。在这一点上，我们通过移除两个指示成纤维细胞污染的集群，移除两个特征包含非必需基因的未知谱系集群，并将clusters与冗余细胞类型分类合并，从而进一步缩小我们的clusters，总共留下六个clusters。我们使用 Immgen 验证了我们的细胞类型注释，发现它们与 Immgen 签名对齐。为了注释我们的空间转录组学组织切片，我们根据每个表达的签名基因的比例，将从 scRNA-seq 数据识别的细胞类型映射到组织点。

Spot deconvolution

鉴于组织切片的厚度和组织点的直径，两个或多个细胞身份可能会在同一组织点共定位。为了将每个点解卷积为它们可能的细胞成分，我们首先定义一个显性组织层，其中如果至少有五个细胞类型特异性特征基因在该点表达并且其比例较高，则将一种细胞类型分配给该spot。singature比任何其他细胞类型在现场表达。我们通过按照相同的标准将剩余的细胞类型分配给每个组织点来定义后续的组织层，只要细胞类型尚未分配给前一层中的spot。此外，当两种或多种细胞类型在一个点表达相同数量的基因时，我们强加了一个平局条件。当这种情况发生时，绑定的细胞类型根据其表达的特征基因的最高到最低累积表达进行分配。使用这种方法，每种细胞类型都有相同的可能性被分配到一个层，从而为我们提供了与组织中识别的细胞类型数量相等的层总数。

Ligand-receptor analysis

图片.png
图片.png

Modeling tissue function

虽然空间转录组学数据不是单细胞分辨率，但我们能够根据细胞类型特异性特征的表达将主要细胞类型分配给每个组织spot。 然后，可以在我们的新兴组织功能模型中将每个组织点视为单个细胞。 虽然我们还描述了每个spot的非主要细胞类型分配层，但我们将模型集中在主要细胞类型分配上。 我们的模型利用了整个组织网络的两个子网络——细胞-细胞网络和细胞内基因组网络。 总而言之，我们可以表示每种细胞类型对组织功能的个体贡献，并定义一个指数来描述组织在细胞和基因组连接方面的状态。

Cellular connectivity

图片.png

Genome connectivity

图片.png
图片.png

生活很好，有你更好