单细胞空间绘制人类胚胎器官发生时期细胞图谱

作者，Evil Genius

感谢伸出援手的朋友们

关于评估单细胞空间联合分析方法的文章目前已经有了好几篇，在最新发表于Nature Communications的文章A comprehensive benchmarking with practical guidelines for cellular deconvolution of spatial transcriptomics对单细胞空间联合分析的软件再次进行了评估。

可以看到单细胞空间联合分析的方法包含多种，其中主要的方法都需要匹配的单细胞数据作为参考。评价指标也包括准确性、稳定性和适用性。

方法过程自然是对测试数据的分析评估，其实对于方法的评估，大致都可以知道还是cell2location和RCTD方法最为值得推荐，虽然Seurat自带的联合分析方法引用率最多，但是并不是最好，随着认识的不断深入，新方法必将获得更多研究者的运用。

接下来是单细胞空间联合分析的策略

cell2location是基于python语言，运行效率较高，结果也具有普适性，但是在分析单细胞空间数据的时候大家通常采用的是R语言，所有Seurat为了完善自身，也将RCTD纳入了体系，示例代码如下：

devtools::install_github("dmcable/spacexr", build_vignettes = FALSE)

library(spacexr)

# set up reference
ref <- readRDS("../data/mouse_hippocampus_reference.rds")
ref <- UpdateSeuratObject(ref)
Idents(ref) <- "celltype"

# extract information to pass to the RCTD Reference function
counts <- ref[["RNA"]]$counts
cluster <- as.factor(ref$celltype)
names(cluster) <- colnames(ref)
nUMI <- ref$nCount_RNA
names(nUMI) <- colnames(ref)
reference <- Reference(counts, cluster, nUMI)

# set up query with the RCTD function SpatialRNA
slide.seq <- SeuratData::LoadData("ssHippo")
counts <- slide.seq[["Spatial"]]$counts
coords <- GetTissueCoordinates(slide.seq)
colnames(coords) <- c("x", "y")
coords[is.na(colnames(coords))] <- NULL
query <- SpatialRNA(coords, counts, colSums(counts))


RCTD <- create.RCTD(query, reference, max_cores = 8)
RCTD <- run.RCTD(RCTD, doublet_mode = "doublet")
slide.seq <- AddMetaData(slide.seq, metadata = RCTD@results$results_df)

当然，也可以绘制细胞类型占比饼图

接下来借助一篇高分文章来强调一下空间转录组关心的几个问题，文章2023年3月发表于Nature cell biology，文章在A single-cell transcriptome atlas profiles early organogenesis in human embryos。

首先作者收集了8个捐赠的胚胎进行单细胞测序和空间转录组分析，设计了基于已知知识的半监督迭代聚类算法，形成属于18个发育系统的313个类。

当然我们都知道病人在疾病的条件下才会选择捐献胚胎样本，那么疾病是否影响了胚胎的健康状态呢？这里作用采用CopyCAT来对捐献的单细胞样本进行拷贝数变化分析，No abnormality was observed on copy number variation，也从侧面印证了细胞都是正常类型的细胞。

而通过单细胞空间联合分析的方法RCTD，预测细胞类型的空间位置，也符合预期。这里就要求我们对组织结构的信息要有充足的认识。

同时也有研究不同发育部位的细胞类型的比例变化

空间轨迹（空间域），对于时空的理解需要我们拥有对组织结构的充分认知，不同空间域也具有独特的生物学标志。

Spatial domains in limb bud

空间轨迹不同于单细胞的轨迹分析，空间轨迹强调的是区域变化带来的基因表达或细胞类型比例差异

当然，相同细胞类型在不同时期也有基因state的转变

最后看一下空间配受体的分析策略,这里要注意空间通讯具有方向性。

Signalling interaction. We designed a pipeline to infer signalling interaction using scRNA-seq and ST. First, we filtered cell type pairs that have co-localization on any section (≥5 spots with proportions of both cell types >0.2). Cell types of blood and endothelium were not considered. For co-localized cell type pairs, we search for ligand–receptor pairs in which ligand and receptor are expressed in two cell types in scRNA-seq, respectively (mean of normalized UMIs >0.5). Second, the enrichment of co-expression of ligand and receptor (normalized UMIs >0.5) in the spots with co-localization of cell type pair was examined by hypergeometric test, as compared with total number of spots with co-expression of ligand and receptor on the section. A significant interaction was defined as Benjamini–Hochberg-adjusted P value <0.01 in at least one section.

当然了，文章有很多好的方法，值得深入研究，生活很好，有你更好