清华大学生命学院张强锋课题组开发SPACE用于空间转录组数据分析

主要观点总结

本文介绍了空间转录组数据分析的核心任务以及面临的挑战，重点阐述了如何利用空间位置信息来揭示细胞的空间排列模式和生物学功能。文章提到了清华大学生命科学学院张强锋副教授课题组发表了一篇题为“基于感知细胞-细胞相互作用的细胞嵌入在单细胞分辨率空间转录组数据中发现组织模块”的研究，介绍了一种名为SPACE的人工智能算法，该算法可以在空间转录组数据中识别空间细胞亚型和发现组织模块。

关键观点总结

关键观点1: 空间转录组数据分析的核心任务

如何有效地利用空间位置信息来揭示复杂组织中细胞的空间排列模式和相关的生物学功能，即识别空间细胞亚型和发现组织模块。

关键观点2: 当前空间转录组数据分析面临的挑战

一是对于空间细胞类型的识别，许多研究仅使用细胞基因表达谱而忽视细胞的空间位置信息；二是构成组织的不同细胞的基因表达特征可能高度异质化，当前方法未能充分利用最新的单细胞分辨率的空间转录组数据中细胞类型的信息。

关键观点3: SPACE算法的特点

SPACE使用图自编码器框架来学习低维的细胞嵌入，该嵌入描述了每个细胞自身的基因表达信息以及其与空间邻近细胞的相互作用信息。它通过两个独立的解码器重构细胞自身的基因表达谱和空间邻近图，并定义了一个感知场比率α来调整基因表达谱重建损失与空间邻近图重构损失的相对权重。

关键观点4: SPACE的应用与效果

SPACE主要用于识别空间细胞亚型和发现组织模块，其在多个空间转录组数据集上的测试表明其发现的细胞群落与人工标注的组织结构在空间分布特征上相似。这种细胞间的近端相互作用网络可用于优化基于配体-受体的细胞通讯推断，从而改进对生物过程中细胞间信号传递与调控的解读。