空间转录组学数据分析软件包和算法的比较分析

2022-03-31 1010文献解读

关注我们👉 时空组/空间组学专辑的同学一定知道此前小编已经分享过很多空间转录组的分析工具,不过这么多工具,我们在做实际分析的时候要怎么选呢? 

空间转录组数据分析软件包和算法的比较分析-1.png

识别空间可变基因(SVG)

SpatialDE

方法:高斯过程回归
执行:Python
优点:目前该类别中最受欢迎的package
缺点:将表达量很低的基因标记为SVG,并进行两个归一化步骤
GitHub:https://github.com/Teichlab/ SpatialDE

SPARK

方法:广义线性空间模型
执行:R
优点:不需要对数据进行归一化处理,并对type I error进行控制
缺点:与SpatialDE相比,准确性没有显著提高
GitHub:https://github.com/xzhoulab/ SPARK

Trendsceek

方法:标记点过程法
执行:R
优点:报告的假阳性率低
缺点:识别的SVG数量非常少,对较大的数据集没有效果
GitHub:https://github.com/edsgard/ trendsceek

BOOST-GP

方法:分层贝叶斯模型 执行:R
优点:在0 counts较多的数据集中,准确率比其他软件包好
缺点:在有许多0 counts的情况下,准确率仍然很低
GitHub:https://github.com/Minzhe/ BOOST-GP

SOMDE

方法:自组织映射(SOM)算法
执行:Python
优点:即使在非常大的数据集中也能有效地识别SVG
缺点:在低dropout rate的数据集中,不如SpatialDE好。
GitHub:https://github.com/ WhirlFirst/somde

scGCO

方法:图形切割算法
执行:Python优点:结果比SpatialDE更具有可重复性。可用于有数百万个细胞的数据集
缺点:~35%的标记SVG不可复现 GitHub:https://github.com/Minzhe/ BOOST-GP

识别空间可变基因(SVG)+其他能力

GP counts

方法:高斯过程回归
执行:Python
优点:可以确定时间轨迹并执行伪时间分析
缺点:大型数据集的计算效率不明确
GitHub:https://github.com/ ManchesterBioinference/ GPcounts

STUtility

方法:空间自相关
执行:R
优点:图像处理和从多个样本创建3D模型的能力
缺点:识别SVG和定义组织异质性的准确性没有得到全面的审查GitHub:https://github.com/ jbergenstrahle/STUtility

从丢失的转录本中重新获取数据

Sparcle

方法:极大似然估计(MLE)
执行:Python
优点:独特的功能,可与其他软件包一起使用
缺点:专门为smFISH开发
GitHub:https://github.com/ sandhya212/ Sparcle_for_spot_ reassignments

识别细胞类型

SpatialDWLS

方法:阻尼加权最小二乘法(DWLS)
执行:R
优点:先验知识可以结合起来
缺点:在真实数据集上的性能没有得到验证
GitHub:https://github.com/rdong08/ spatialDWLS_dataset

FICT

方法:生成混合模型
执行:Python
优点:解决过度依赖表达数据的问题
缺点:在细胞数较少的数据集上性能下降
GitHub:https://github.com/ haotianteng/FICT

RCTD

方法:监督学习
执行:R
优点:可以对scRNA-Seq和SRT数据集的跨平台效应进行标准化处理
缺点:需要注释良好的scRNA-Seq数据集
GitHub:https://github.com/dmcable/ RCTD

聚类

SpatialCPie

方法:不同的聚类算法
执行:R
优点:可以对不同的组织亚型进行不同分辨率的聚类;聚类图是SRT中可视化聚类来源的一种新方法
缺点:缺少与其他软件包的对比验证
GitHub:https://github.com/ jbergenstrahle/SpatialCPie

Pipeline

Giotto

执行:R
优点:选择用于识别细胞类型中标记基因的算法,用于低分辨率 SRT 数据的专用流程
缺点:缺乏对不同平台采集的不同生物组织的验证  
GitHub:https://github.com/RubD/ Giotto

Squidpy

执行:Python
优点:模块化,因此可以在分析中纳入其他软件包
缺点:细胞邻域的可重复性不强
GitHub:https://github.com/theislab/ squidpy

补充阅读
BT × IT | 如何利用神经网络做空间转录组分析?
盘点季 | 空间转录组分析工具合辑(上):去卷积
盘点季 | 空间转录组工具合辑(下):聚类

参考文献
Charitakis N., Ramialison M., Nim H.T. (2022) Comparative Analysis of Packages and Algorithms for the Analysis of Spatially Resolved Transcriptomics Data. In: Passos G.A. (eds) Transcriptomics in Health and Disease. Springer, Cham. https://doi.org/10.1007/978-3-030-87821-4_7

上一篇下一篇