NC | 空间转录组学细胞去卷积工具综合测评

近日，《Nature Communications》发表研究论文通过评估方法的准确性、稳健性和可用性，对解决细胞去卷积任务的18种现有方法进行了基准测试。

基准测试流程概述

研究团队使用50个模拟和真实数据集评估了18种现有的计算方法，并根据以下指标综合评估了这些方法的性能：（1）去卷积结果的准确性，使用所有方法和数据集上的多个度量来评估；（2） 在不同条件下测试的所有方法的稳健性（空间转录组学技术、基因数量、斑点数量和细胞类型数量）；（3） 所有工具的可用性，包括计算效率、文档、出版物和代码的质量。

基准测试结果

就性能而言，CARD、Cell2location和Tangram是执行细胞去卷积任务的最佳方法。

所有方法的性能汇总表 所有方法对模拟数据集的性能

研究团队还根据四个关键场景为这些方法提供了特定场景的建议和指南。

使用指南

局限性

根据研究团队的评估，其提出了有待解决的两个普遍但关键的局限性。首先，平台效应导致了以下两个问题：（1）scRNA-seq和空间转录组学数据之间基因表达谱的系统性差异；由于依赖技术的文库制备和测序平台的差异，来自同一组织切片检测到的mRNA之间的差异是不可避免的，特别是在异质癌症组织切片中，（2）两种模式之间的差异影响了scRNA-seq和空间转录组学数据之间的细胞类型不匹配。整合这两种模式的先前假设是在scRNA-seq和空间转录组学数据之间共享相同的细胞类型。尽管RCTD通过所有细胞类型之间的归一化策略解决了平台效应问题，但细胞类型特定的平台效应值得进一步探索。其次，空间转录组学的高dropout rate是scRNA-seq中的一个传统问题。小文库导致信使核糖核酸检测不足；因此，稀有细胞类型的标记基因变得无法检测。空间转录组学技术的生物流程应该进一步改进，尽管SD2已经考虑了这种情况，并提出了插补方法。

发展方向

研究团队还介绍了该领域未来可能的发展方向：（1）多模式学习可能成为空间转录组学中使用的细胞去卷积方法及其应用的发展热点。例如，生物信息学家可以使用具有图像强度水平的组织学图像，这可以提高我们对空间转录组学的理解。（2）组织的三维去卷积和映射将提供比目前二维去卷积更多新的生物学见解。越来越多具有连续组织切片的空间转录组学数据集正在出现，切片间的空间背景信息将提供更多有助于去卷积过程的模式。（3）通过空间转录组学技术的发展，斑点的分辨率变得更高，最近的技术可以达到亚细胞分辨率。尽管空间转录组学技术的快速进步令人兴奋，但更高分辨率的边际效益被高dropout rate问题所抵消，这有更多的风险丢失一些有价值的信息。未来，在目前的亚分辨率技术下，针对单个生物细胞的空间转录组学技术更加需要发展。（4）空间转录组学的细胞去卷积不仅有助于生物学家研究组织结构，还将与人工智能辅助计算病理学和医疗保健系统联系在一起。

*建议对细节感兴趣的小伙伴参考文献原文~文章无法覆盖所有工具，欢迎大家在讨论区留言分享好用的工具资源。对于文献整理过程中有翻译不当或错误也欢迎大家在评论区留言指出，互相交流学习！

参考文献

Li, H., Zhou, J., Li, Z. et al. A comprehensive benchmarking with practical guidelines for cellular deconvolution of spatial transcriptomics. Nat Commun 14, 1548 (2023). https://doi.org/10.1038/s41467-023-37168-7

首发公号：深圳国家基因库大数据平台