BayesSpace:实现更高分辨率的空间转录组分析

2021-06-24 474文献解读

空间基因表达技术能够在保留空间背景信息的同时,全面测量转录组谱。然而,现有的分析方法并没有解决技术分辨率有限或有效利用空间信息的问题。

来自美国的科研团队开发了BayesSpace,这是一种完全贝叶斯统计方法,它使用来自空间邻域的信息来增强空间转录组数据的分辨率并进行聚类分析。基准测试证明BayesSpace在识别具有相似表达谱的空间簇和提高空间转录组学分辨率方面的效用,其既克服了有效利用空间信息进行表达数据聚类的挑战,又克服了目前空间转录组技术分辨率有限的问题。

BayesSpace:实现更高分辨率的空间转录组分析-1.png

BayesSpace是什么?

BayesSpace是一种基于空间转录组模型的聚类方法,通过对基因表达矩阵的低维表示进行建模并通过空间先验鼓励相邻点属于同一簇来实现空间聚类。与以前的方法相比,BayesSpace允许对聚类结构和错误项进行更灵活的规范。BayeSpace通过广泛使用的Bioconductor SingleCellExperiment数据结构将预处理数据作为输入,无缝集成到空间转录组分析工作流中,输出同样存储在SingleCellExperiment对象中,该对象可用于下游分析。这些方法都实现为一个R包,可以在Bioconductor上公开访问(http://www.bioconductor.org/packages/release/bioc/html/BayesSpace.html)。

BayesSpace:实现更高分辨率的空间转录组分析-2.png

BayesSpace的基准测试

研究人员将BayesSpace与现有的空间和非空间聚类方法进行基准测试,结果表明其改善了从大脑、黑色素瘤、浸润性导管癌和卵巢腺癌样本中识别不同的组织内转录谱的能力。通过使用免疫组化和一个由scRNA-seq数据构建的模拟数据集,研究人员发现解析了在原始分辨率下无法检测到的组织结构,并识别了组织学分析无法识别的转录异质性。这些结果说明了BayesSpace在促进从空间转录组数据中发现生物学洞见方面的实用性。

BayesSpace提高了背外侧前额叶皮质(DLPFC)中各层的计算分辨率

BayesSpace:实现更高分辨率的空间转录组分析-3.png

BayesSpace大大优于原来的spatialLIBD聚类分区,以及为空间转录组数据开发的所有非空间聚类算法和空间聚类方法。图c展示了一个例子:在样本151673中,研究人员发现只有SC3(ARI=0.42)、mclust(ARI=0.42)、stLearn(ARI=0.37)和BayesSpace(ARI=0.55)生成了质量上符合预期层模式的簇。

增强分辨率聚类识别黑色素瘤样本中的肿瘤近端淋巴组织

BayesSpace:实现更高分辨率的空间转录组分析-4.png

BayesSpace增强的空间聚类提供了一个更高分辨率的组织类型图。值得注意的是,增强后的空间聚类识别了沿肿瘤边界的淋巴组织区域和可能的免疫浸润到肿瘤中的区域,这些区域在原来的分辨率下是无法辨别的。

在浸润性导管癌(IDC)样本和卵巢内膜腺癌(OC)样本中,免疫组化验证了BayesSpace增强

BayesSpace:实现更高分辨率的空间转录组分析-5.png

通过分析每个组织切片病灶区域的抗CD3和抗CD45强度,发现免疫荧光信号与相应的增强基因表达密切相关。研究人员确定了spot水平和增强聚类之间的感兴趣区域(ROI):增强区域增加了所观察到的异质性,许多子斑点从免疫丰富区转变为免疫贫乏区,反之亦然。

研究人员还比较了增强后改变分类的子点和保持分类的子点之间的免疫荧光强度分布,发现与保持其斑点水平状态的子斑点相比,改变分类的子斑点的强度有显著差异,表明BayesSpace的分辨率增强提高了基于表达的聚类在正交免疫组织化学信号方面的准确性。

BayesSpace识别IDC内的转录异质性

BayesSpace:实现更高分辨率的空间转录组分析-6.png

BayesSpace的强化聚类确定了组织内的异质性,这种异质性没有反映在注释的边界上,但得到了关键肿瘤标记物基因的明确支持,这进一步支持了之前用免疫荧光法进行的验证。

BayesSpace在模拟数据中的表现优于空间和非空间聚类方法

BayesSpace:实现更高分辨率的空间转录组分析-7.png

最后,研究人员还利用BayesSpace分析了鳞状细胞癌标本。结果表明,BayesSpace增强空间基因表达图比spot水平图更精确地划定了基底层和上基底层之间的边界。同样,发现黑色素细胞、骨髓细胞和T细胞的标记基因的增强表达更符合基于注释的组织结构的预期模式。

BayesSpace可在如下链接获取Bioconductor软件包:http://www.bioconductor.org/packages/release/bioc/html/BayesSpace.html

原代码是公开的,可通过如下链接获取:https://github.com/edward130603/BayesSpace.

参考文献
Zhao, E., Stone, M.R., Ren, X. et al. Spatial transcriptomics at subspot resolution with BayesSpace. Nat Biotechnol (2021).
图片来源于Nat Biotechnol官网和参考文献,如有侵权请联系删除。

上一篇下一篇