返回
Robust Spatial Cell-Type Deconvolution with Qualitative Reference for Spatial Transcriptomics
DOI:10.1002/smtd.202401145.png)
摘要
En 中文
许多空间分辨转录组学技术已被开发出来,以提供可能包含细胞异质性混合物的区域的基因表达谱。为了分解细胞组成和表达水平,已开发出多种解卷积方法,这些方法使用带有已知细胞类型标签的单细胞RNA测序(scRNA-seq)数据作为参考。然而,在没有可靠的参考数据集或存在异质性批次效应的情况下,这些方法可能引入偏差。在此,开发了一种基于定性参考的空间信息解卷积方法(QR-SIDE),用于多细胞空间转录组数据。独特的是,QR-SIDE为单个标记基因提供详细的局部异质性图谱,并通过自适应调整每个标记基因的贡献来执行稳健的解卷积。同时,QR-SIDE将细胞类型解卷积与空间聚类统一起来,并通过Potts模型纳入空间信息以促进空间连续性。识别出的空间域代表潜在组织区段中具有生物学意义的影响。通过使用模拟数据以及来自10x Visium和ST平台的三个真实空间转录组数据集,QR-SIDE展示了在细胞类型解卷积中更高的准确性和稳健性,并在识别和划分特定背景下的空间结构方面优于现有方法。这些结果可以促进一系列下游分析,并提供对细胞异质性的更精细理解。
Keyword:
cell-type deconvolution
mixture Poisson regression model
Poisson factor model
spatial transcriptomics
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
9.1
论文数:
4.4K
被引数:
2.8W
机构
暂无机构信息
引用论文
CytoMAP: A Spatial Analysis Toolbox Reveals Features of Myeloid Cell Organization in Lymphoid TissuesCytoMAP: 空间分析工具箱揭示淋巴组织中髓样细胞组织的特征
CELL REPORTS
IF6.9
Bulk tissue cell type deconvolution with multi-subject single-cell expression reference具有多受试者单细胞表达参考的大块组织细胞类型反卷积
NATURE COMMUNICATIONS
IF15.7
Identification of spatial expression trends in single-cell gene expression data单细胞基因表达数据中空间表达趋势的识别
NATURE METHODS
IF32.1
Accurate estimation of cell-type composition from gene expression data从基因表达数据准确估计细胞类型组成
NATURE COMMUNICATIONS
IF15.7
Integration of spatial and single-cell transcriptomic data elucidates mouse organogenesis空间和单细胞转录组数据的整合阐明了小鼠器官发生
NATURE BIOTECHNOLOGY
IF41.7
Cell2location maps fine-grained cell types in spatial transcriptomicsCell2location在空间转录组学中映射细粒度的细胞类型
NATURE BIOTECHNOLOGY
IF41.7

