如何利用数据库的单细胞数据分析自有的空间转录组

作者，Evil Genius

2023.6.9 心态恢复第一日，感谢大家的支持。

今天我们来聊一个话题，那就是借助现有的单细胞数据辅助研究我们自有的空间转录组数据，尤其在没有匹配的单细胞数据的情况下。文章在Spatial transcriptomics stratifies psoriatic disease severity by emergent cellular ecosystems，2023.6.2发表于Science Immunology,IF 30.63，样本类型：健康的皮肤和银屑病。其中在研究的过程就是借助了其他人的单细胞数据辅助研究自己的空间转录组数据，思路值得借鉴。

尽管人类炎症性皮肤病的细胞和分子特征已经得到了很好的表征，但它们的组织背景和系统影响仍然知之甚少。空间转录组学(ST)分析了25例健康、活动性病变和临床未受损伤的皮肤活检，并与公开的单细胞转录组学数据相结合，揭示了健康和炎症皮肤之间免疫环境的显著差异（具体怎么结合的需要解析）。

技术背景：单细胞虽然描述了完整的细胞图谱，但是组织效果丧失了原始的组织信息。空间结构的信息数据是研究微环境和细胞相互作用的关键。考虑到细胞组织和相互作用组在协调健康和疾病中的重要性，根据空间结构信息可以描绘银屑病的严重程度和新特征。

结果解读

1、ST faithfully maps gene expression in healthy human skin

样本类型：25个皮肤样本，包括健康，疾病（轻型和重型，PsO/PsA）
空间整合和聚类的意义：首先对健康的空间样本进行了整合聚类，其中采用Seurat anchor–based整合产生的12个cluster，依据差异基因进行注释明显匹配形态学结构特征（其实这里对我们组织结构学的信息认知还是有考验的）。根据皮肤的三个主要组织学定义层(表皮、真皮层和真皮)和捕获的离散结构(如毛囊)进行分组。

ST analysis of healthy human skin

这里为什么要先对健康的空间皮肤样本进行分析呢？因为一方面健康的皮肤结构完整，容易识别，另外一方面公共数据有匹配的健康的单细胞数据。

作者同时进行了Harmony-based的整合分析方法，得到了相似的分析结果，

组织切片的连续分析产生了高度可重复性的结果，and each of the 12 clusters was represented in all healthy samples。因而后续采用了anchor-based integration的分析结果。

这里为什么要采用两种聚类方法然后进行比较呢？我大胆猜测一下，还是整合去批次的方法没有定论，所以多种方法试一下，而且在空间样本有组织信息的情况下， 更容易判定批次的去除效果。

接下来采用公共单细胞数据联合空间样本进行分析（这里很多人会考虑数据匹配的问题），

为了补充验证分析结果，MIA（a computational method that infers enrichment of specific cell type(s) in tissue regions on the basis of the degree of overlap in up-regulated DE/marker genes between every ST and scRNA-seq cluster using a hypergeometric test）的方法也派上了用场（关于MIA的方法大家可以回顾一下）。

做一个总结：在借助其他人的单细胞数据的时候，一方面可以联合看细胞类型的空间分布；另一方面，需要借助其他方法，例如MIA，进行细胞类型的区域富集分析（这里的区域就是聚类的结果），而且数据集不能只采用一个，而是要多进行反复验证。

2、A perifollicular immune niche monitors healthy skin

同样采用了MIA进行健康样本的区域免疫活性分析，结合聚类信息，可以识别不同皮肤区域的免疫特征。

总的来说，这些数据说明了DC淋巴细胞介导的对健康皮肤毛囊和血管周围空间的免疫监视（就是对正常皮肤组织的免疫表征，注意这里对空间组织的划分和识别）。

3、Dysregulated epidermal-dermal interactomes in psoriatic lesions（这个地方就可以看出来对组织信息的利用）。

接下来对健康样本和疾病样本进行整合分析，同样也要匹配空间结构信息。同样采用了Harmony and Seurat anchor–based integration两种方法比较，依据差异基因和组织形态学进行注释。

对两个umap的交叉检验表明，Harmony整合描述的cluster具有更大的结构特异性（作者也是那个结果好就用哪个），下游分析采用了harmony的分析结果。对其中特有的cluster和跨样本的cluster分析进行了描述。

对组织的部位之间的相互作用采用NicheNet进行通讯分析，对于疾病样本富集的cluster和临近cluster之间进行通讯分析，也就是对于空间聚类的cluster进行通讯分析也是可取的。

4、PsO病变和非病变皮肤中免疫环境和成纤维细胞的动态重组

结合单细胞空间的联合分析，以及MIA的富集分析结果推断，相对于健康样本，在毛囊和内皮周围观察到免疫活性的富集，只有少数免疫细胞亚群(TH细胞、肥大细胞和树突状细胞)在毛囊皮脂腺轻度富集。

Spatial plots, UMAP of psoriatic skin cell types, and MIA from publicly sourced RNA seq data and pathways enriched in the immune cell-dense clusters

Psoriatic and healthy skin have distinct immune-fibro cellular neighborhoods.

利用解卷积的方法判断皮肤组织的生态位变化

SpaceFold one-dimension projection (left) and summary schematic (right) of cell distribution from dataset 1 on aggregated ST healthy (N = 3, n = 5), lesional (N = 11, n = 14), and nonlesional samples (N = 9, n = 9).

5、无监督聚类揭示了银屑病严重程度的分层

依据空间聚类对皮肤样本的疾病程度进行划分，无论是分层聚类还是主成分分析(PCA)的pseudobulked ST样本都不能根据PsA的存在与否来区分患者。Accordingly, we observed a gradient of transcriptomic variance on the first principal component ranging from lesional moderate-to-severe skin, to lesional mild skin, to nonlesional moderateto-severe skin, and, last, to nonlesional mild skin that overlapped with healthy skin。

6、Distinguishing features of mild and moderate-tosevere disease

然后，query PsO疾病严重程度是否可以通过炎症部位和临床未受累皮肤的不同基因特征来定义。为了验证这一点，我们使用数据集1对按轻度或中度至重度疾病分组的病变和非病变样本进行BayesPrism和SpaceFold投影。每种细胞类型的定位沿着真皮-表皮组织轴(0到1假尺度)进行投影，并使用黑素细胞作为基底层的细胞标记，用虚线表示分离表皮和真皮的基膜。与合并的病变皮肤分析类似，一维空间折叠投影显示病变皮肤的表皮增生跨越疾病严重程度的图谱。然而，发现在轻度和中度至重度PsO之间，许多不同细胞类型的区域富集存在差异。

生活很好，有你更好