2022-07-18 1627文献解读
在年初做盘点季的时候小编已经为大家总结了空转去卷积常用工具合辑,这些工具的性能如何?做分析的时候要怎么选择?近日,《Briefings in Bioinformatics》发表了综述文章,回顾了ST去卷积的最新方法,并综合评估了10种方法的性能。
近年来,提出了多种ST去卷积方法。ST数据的现有去卷积方法大致可分为三类:概率方法、基于非负矩阵分解(NMF)和非负最小二乘(NNLS)的方法以及其他方法:1)概率方法,包括Adroit、cell2location、DestVI、RCTD、STdeconvolve和stereoscope,其中明确或参数化指定数据分布,并使用基于似然的方法进行推理。2)基于非负矩阵分解和神经网络分解的方法,包括spatialDWLS和SPOTlight。3)其他方法包括DSTG和Tangram,使用一些专门设计的方法架构或损失函数来估计细胞类型比例。
研究人员使用了三种组织的ST数据来评估上述10种方法的性能。对于性能量化其使用了三个指标:均方根误差(RMSE)、跨细胞类型的距离相关性以及每种细胞类型与真实值的差异。均方根误差越小,距离相关性越高,与真实值的差异越小,都表明性能越好。
小鼠嗅球 (MOB) 数据:综合内部和外部参考所观察到的模式,结果表明RCTD、cell2location和stereoscope是对参考scRNA-seq和目标ST数据之间的批次效应最稳健的。
人类心脏的发育数据:当使用内部参考(即ISS单细胞)对ISS数据构建的伪点进行去卷积时,Adroit、RCTD、stereoscope、DSTG和Tangram显示出优越的性能,与在MOB数据中的观察结果相似,但这里的基因数量要少得多;当使用外部参考时,只有RCTD和stereoscope能够捕捉细胞类型的预期空间分布。总体来说,除了DestVI和Tangram未能捕捉到某些层的主要细胞类型外,其他方法的表现都比较好。其中,stereoscope、cell2location和RCTD与ISS细胞组成的一致性较高。
小鼠初级体感皮层区域数据:大多数方法尤其是Tangram和DSTG,在使用完全匹配的内部引用时都能获得优异的性能。通过内部参考,Adroit、cell2location、RCTD和stereoscope仍然提供了令人满意的细胞类型比例估计,尽管可用的基因数量有限。当使用外部参考时,无论基因数量和平台如何,RCTD和stereoscope都优于其他方法。当有足够数量的基因时,Cell2location在ST和Visium数据上表现相当好。
综上,RCTD和stereoscope在不同组织中表现出较高的稳定性和准确性。STdeconvolve作为唯一的无参考方法,具有识别组织结构和细胞混合物的能力,但必须仔细处理细胞类型映射。本篇综述的科研团队全面评估了各种场景,包括不同的组织、不同的技术和数据分辨率、不同数量的单细胞和斑点,以及用于分析的不同数量和类型的基因。根据其结果,建议研究人员首先确定一些最符合自己数据的评估场景,并在这些场景下选择性能最佳的方法。参考值的选择,最好是从仔细匹配的组织和生物样本中选择,对于ST数据的去卷积也是必不可少的。不匹配的scRNA-seq参照物或有不准确注释的细胞的参照物会严重影响去卷积性能。此外,在本综述范围之外,对噪声和高维ST数据进行去噪和降维可以实现更有效的信息提取。研究团队还预计,细胞型去卷积将进一步受益于有效去噪和降低ST数据维数的方法的发展和进步。
建议对测试细节感兴趣的小伙伴参考文献原文~也可以访问如下链接了解详情:https://github.com/JiawenChenn/St-review
参考文献Chen J, Liu W, Luo T, et al. A comprehensive comparison on cell-type composition inference for spatial transcriptomics data. Brief Bioinform. 2022 Jun 27:bbac245. 图片均来源于参考文献,如有侵权请联系删除。