COMMUN BIOL | Chrysalis：利用原型分析解码

由于空间分辨率有限且依赖单细胞参考数据，在空间转录组学 (ST) 中解析组织区室仍然具有挑战性。2024年11月，《Communications Biology》发表了一种计算方法—— Chrysalis，可通过空间可变基因 (SVG) 检测和原型分析快速发现组织区室，而无需外部参考数据。

Chrysalis是什么？

Chrysalis是一种在基于测序的ST平台上快速检测空间和功能上不同的空间域（我们称之为组织区室）的计算方法，无需外部参考。Chrysalis建立在原型分析的基础上，这是一种稳健的矩阵分解方法，已被证明能通过捕捉特定功能原型成功识别多任务生物系统中的功能权衡。此外，Chrysalis提供了一种独特的可视化方法，可以快速表征组织，并提供对底层基因表达特征的访问，从而能够识别空间和功能上不同的细胞生态位。

Chrysalis概要

Chrysalis首先在ST数据中检测SVG。接下来，Chrysalis使用主成分分析 (PCA) 获得SVG的低维表示。通过结合使用不同深度学习算法提取的形态特征，可以进一步增强这种低维嵌入。为此，Chrysalis 首先从相应的苏木精-伊红染色 (H&E) 组织学图像中获取与每个捕获点重叠的图像图块。开发团队在Chrysalis中实现了一个简单的深度自动编码器架构来提取潜在的形态变量；但是，可以自由使用可以捕获更复杂形态特征的替代架构。Chrysalis随后将这些潜在表示与低维转录信息相结合。在接下来的步骤中，Chrysalis 通过低维特征空间的原型分解来识别组织区室（原型）。这些对应于仅由特定细胞生态位覆盖的捕获点。包含来自多个区室的特征的每个其他点都表示为这些原型的凸组合。因此，组织区室表示组织中空间上不同的功能单元。最后，通过将包含组织区室输入特征贡献的矩阵（矩阵\(A\)）与PCA负载相乘来计算每个SVG表达式的权重。此外，Chrysalis还具有基于最大强度投影 (MIP) 的独特方法，可同时可视化各种组织区室，从而有助于快速表征推断域中的空间关系。

Chrysalis的性能测试

开发团队在多个ST平台上对合成数据和原生组织样本的Chrysalis进行了评估，基准测试表明：Chrysalis可以以更高的灵敏度和稳定性捕获组织区域特征。在10x Visium-derived生物样本上，Chrysalis可以定期高精度地检测组织区室、绘制人类淋巴结中的免疫细胞微环境、识别人类乳房中的肿瘤内异质性并揭示小鼠大脑中的皮质层。此外，开发团队还展示了Chrysalis在Visium HD、Stereo-seq和Slide-seqV2上的适用性。

与其他方法相比，Chrysalis在从合成ST数据中捕获和解读组织区室方面提供了更准确的估计。此外，Chrysalis在不同的测序深度和污染水平以及不同的捕获点数量下保持了稳健的性能，优于其他测试方法。

Chrysalis在解读复杂的淋巴结组织区室方面优于其他方法，这已通过病理形态学注释和细胞类型丰度预测得到验证。此外，检查每个区室最相关基因的权重证明了其无需参考数据集即可进行利基识别的潜力。

a-f：Chrysalis能够准确地区分乳腺癌样本的不同解剖区域，并与Xenium亚细胞分辨率技术推断出的病理形态学注释和细胞类型相一致；g-h：Chrysalis 准确识别了与顶叶皮质的 L1、L2/3、L4、L5 和 L6 相对应的组织区室，很容易识别出大脑的主要解剖区域；i-j：展示了Chrysalis在各种ST技术中的检查能力。

Chrysalis是一种创新方法，其采用SVG识别和原型分析，以最先进的性能在ST中快速识别和可视化组织区室。此外，Chrysalis与任何基于测序的ST技术兼容，并且可以通过整合形态特征来增强。预计Chrysalis将成为ST数据分析工作流程的宝贵扩展，增强我们对组织的空间结构和功能特征的理解，从而推动ST领域进一步进入高分辨率生物发现领域。

Chrysalis是一个Python软件包，可通过GitHub公开获取：

👉 https://github.com/rockdeme/chrysalis

文档和教程可通过如下链接获取：

👉 https://chrysalis.readthedocs.io

本文数据分析所用的代码可在如下链接获取：

👉 https://github.com/rockdeme/chrysalis/tree/master/article 

参考文献：

Túrós, D., Vasiljevic, J., Hahn, K. et al. Chrysalis: decoding tissue compartments in spatial transcriptomics with archetypal analysis. Commun Biol 7, 1520 (2024). https://doi.org/10.1038/s42003-024-07165-7

首发公号：深圳国家基因库大数据平台