方法汇总---细胞临近推断方法比较与优化

作者，Evil Genius

今天根据之前的项目分析，总结一下细胞邻近性的分析方法与优劣势。

参赛选手

一、Gitto，Spatial Single-Cell Transcriptomics Toolbox • Giotto

二、IMCRtools (classic and histoCAT)，https://github.com/SchapiroLabor/NEP_IMCRtools

三、MistyR，https://github.com/saezlab/mistyR

四、Squidpy + CellCharter

五、Scimap，SCIMAP - scimap

整体分析框架、Spatial enrichment analysis (SEA)

我们来看看五位选手的表现（项目经验 + 文章引用，仅供大家参考）

分析目标，组织内两种细胞类型的pairwise neighbor preference(NEP),邻域富集或共定位。

两种细胞类型双向的NEP分数，分析NEPs的方向性。

首先做一些简单的指标

邻域定义

量化邻域细胞组成

计算NEP score，即任意两种细胞类型的共定位分数。

评估方法，邻域的准确性

首先是模拟数据的展示，人为生成空间数据，随机分布，弱相关分布，强相关分布

Misty和Scimap表现最为优秀。

再来是共定位的方向性，这个在课程上反复强调了多次。

A细胞共定位于B细胞，不能说明B共定位于A细胞，方向性非常重要。

Misty和Scimap表现最为优秀。

心肌梗塞数据集的实际分析

那么本期最佳选手，Misty和Scimap。

生活很好，有你更好