Xenium In Situ数据的质量评估及优化方案（试用版）

作者，Evil Genius

作为公司的分析人员，多方法比较和优化也是必修课。

今天我们来看看Xenium的一些分析点及可能得优化方案

Xenium本身的细胞分割更加适合于规整的、圆形或者其他形状不太奇怪的细胞，这一点得到了上海10X技术支持的确认，不过对于大多数样本，这个方法就够用了。

这一篇我们来看看对Xenium测试的基准测试，包括细胞分割、 segmentation-free analysis、空间可变基因选择和结构域识别等任务。

大家可以看一下昨天的文章ISS空间转录组的细胞分割算法汇总(stardist、cellpose、QuPath、SCS)

Xenium In Situ平台是一种新的空间转录组学产品，由10X Genomics商业化，能够在亚细胞分辨率下原位绘制数百个转录本（目前已经提升到了5000+的水平）。

细胞分割技术比较

方法比较：watershed, Cellpose，Baysor，Clustermap

测试结果，Baysor-based 的策略，特别是bayor结合Cellpose-based的分割是最佳分割策略。

标准工作流的比较

Xenium的信号密度能够原位识别亚细胞结构

在Xenium数据集上对基因插入工具的性能进行基准测试

靶向SRT方法通常受到同时测量的基因数量的限制。代入方法通过从参考scrna序列到细胞分辨率SRT数据预测基因表达来克服这个问题

• 软件测试：gimVI、SpaGE、Tangram、SpaOTsc和NovoSpaRc。
  通过Pearson相关系数(PCC)、结构相似指数(SSIM)、均方根误差(RMSE)和Jensen-Shannon散度(JS)对预测效果进行评价，其中PCC/SSIM值越高，RMSE/JS值越低表明预测精度越高。使用这些指标，SpaGE确定为性能最好的方法。此外，Tangram和SpaOTsc实现了整体高性能。

  
  

评估计算工具以探索组织结构

基于成像的SRT具有恢复单个细胞空间位置的能力，可用于破译组织内在结构的组织。

• 分析软件：Squidpy和Giotto
  确定组织结构有助于理解其功能。确定最可靠的工具来定义这些领域具有普遍的意义，尽管目前还没有独立的比较。
• neighborhood-based, Banksy，DeepST, SpaGCN

发现Banksy预测的结构域与手工标注的结构域最相似。

处理和分析Xenium数据集的最佳实践

将Xenium获得的数据作为输入，优化数据处理的第一个关键步骤是细胞分割。最优算法包括两个步骤:(1)使用Cellpose识别细胞核;(2)使用Baysor将reads分配给单个细胞。不需要细胞扩增，因为核外读取是使用Baysor分配的。如果细胞分割导致性能不佳，可以使用SSAM或Points2Regions等无分割方法来识别分子特征，而无需识别单个细胞。在对单个细胞进行分割后，获得细胞-基因矩阵。以此为输入，可以使用标准的scRNAseq工作流实现细胞类型识别，该工作流包括(1)细胞过滤，(2)对数变换和归一化，(3)主要PC的识别，(4)低维降维和(5)聚类。此外，如果sc/snRNA-seq可用，则可以使用SpaGE或Tangram等算法进行基因插入。最后，对于域名的识别，使用Banksy可能是一个强大的解决方案。

最后附上优化后的流程

• Formatting xenium output to AnnData files, filtering reads by distance to nuclei or quality
• Resegmenting cells using Baysor (using Docker/Singularity)
• Preprocessing and clustering cells in the experiment, generating spatial maps and differentially expressed genes
• Imputing gene expression using SpaGE
• Domain identification using Banksy(preferred) ,neighbor-based domains or read-based domains
• Identifying Spatially variable genes using Squidpy's Moran's I
• Defining celltype neighborhood enrichment using Squidpy