单细胞空间转录组数据联合分析算法详解之Cell2location

Cell2location是桑格研究院（Sanger Institute）的Omer Ali Bayraktar团队于2022年所开发的单细胞-空间转录组整合工具。与其他的整合工具一样，Cell2location着眼于以单细胞数据的细胞分类信息对空间转录组中的spot进行细胞组成预测，以弥补空间转录组非单细胞分辨率的缺点。

该方法首先估计用户所提供的参考单细胞（或单细胞核）数据中细胞类型的基因表达特征谱，并且在该步骤中使用负二项分布回归以消除不同技术或批次影响。然后在第二步中，使用这些参考特征和空间转录组数据在每个空间位置上将转录组表达信息去卷积为参考细胞类型（图1）。

图1

相较于现有的去卷积方法，Cell2location具有以下优点：1. 在细胞组成类似的空间位置间借用统计强度；2. 将空间数据的技术与批次差异纳入考虑。另外，得益于变分近似推理和GPU加速计算，Cell2location的计算速度可以很高。

在不同分布类型的（均匀分布与特异分布，高丰度与低丰度）模拟数据测试中，Cell2location的预测细胞类型丰度与实际丰度之间具有很好的一致性。与现有多种去卷积分析工具进行比较，Cell2location也展现了更好的预测能力（图2）。

图2

在真实的小鼠大脑样本测试中，Cell2location所预测的细胞类型空间位置与实际的解剖位置也很好的匹配起来。不论是广泛分布的细胞类型、较为罕见的细胞亚型还是规律分布在特定空间区域内的细胞类型，均有很好的预测结果（图3c,d,e,f）。在相邻组织切片的重复实验中，Cell2location的预测结果也高度吻合（图3g）。在其他类型的空间数据（如slide-seq）中，预测结果也具有良好的重复性(图3h)。

图3

更值得一提的是，对于那些在某些空间区域内不该存在，但在单细胞数据中大量存在的细胞类型（图4i），Cell2location也展现了良好的预测特异性，例如只存在于海马体中的细胞类型在皮层中显示“阴性”，而其他细胞类型则不受影响。而与其他现有工具的比较中，Cell2location的预测特异性也显示了极大的优势(图4j)

图4

另外，由于已有文献指出，星形胶质细胞在不同空间区域具有差异性，Cell2location也被用来研究这些差异程度上尚不明确的星形胶质细胞亚型。首先在单细胞数据上对星形胶质细胞基于基因表达信息进行分类（图5a），将区分后的细胞亚型通过Cell2location解卷积到空间上（图5b），去除那些在空间上和基因表达上都不够特异性的亚型，就得到了既有空间差异又有表达差异的星形胶质细胞亚型（图5c）。最后，单分子荧光原位杂交证实了这些通过生物信息手段分析得到的亚型（图5d），而其他解卷积工具对亚型的空间定位也证明了Cell2location的可靠（图5e）。