从单细胞和空间转录组学推断模式驱动的细胞间流动（Flowsig）--生信算法笔记

**

Inferring pattern-driving intercellular flows from single-cell and spatial transcriptomics

**
Almet, A.A., Tsai, YC., Watanabe, M. et al. Inferring pattern-driving intercellular flows from single-cell and spatial transcriptomics. Nat Methods 21, 1806–1817 (2024). https://doi.org/10.1038/s41592-024-02380-w¹

今天来介绍一下聂老师组的8月分出版的这篇推断细胞间流动网络的文章《从单细胞和空间转录组学推断模式驱动的细胞间流动》，这篇文章在Github上也上传了相关python包（Flowsig）可以下载使用。

方法适用数据

Flowsig在scRNA-seq和ST数据中都可以使用，不过对于scRNA-seq因为缺少空间信息，在学习因果网络的时候需要有扰动组数组（可以是疾病组，不同时间等）

基本假设

如下图所示，本方法基于如下生物学过程：
认为细胞上的受体收到配体信号后，信号影响细胞中的基因表达模块（GEMs），使得一些转录因子的生物作用发生改变，表现为影响下流的配体产生。

结果概述：

Fig. 1 | Description of the FlowSig model

Fig.1a 本图就是是上面所讲的生物学过程假设。
Fig.1b 基于scRNA-seq数据的流程图：
（1）首先根据scRNA-seq数据利用pyLIGER构建GEMs，具体的矩阵分解内容可以参考这篇文章(Townes, F.W., Engelhardt, B.E. Nonnegative spatial factorization applied to spatial genomics. Nat Methods 20, 229–238 (2023). https://doi.org/10.1038/s41592-022-01687-w),或者我之前的文章（矩阵分解）
（2）随后利用Wilcoxon秩和检验来识别控制组和扰动组的差异信号。
（3）根据条件独立测试和条件不变测试以及图学习模型得到了流入信号， GEMs，流出信号之间的因果网络。
流入信号的定义：根据现有库，把每个受体和它所对应的调控因子作为先验，计算 $R_1\times$