NC | SPACEL：基于深度学习的空间转录组结构表征

空间转录组学 (ST) 技术使研究人员能够研究转录组在组织中的空间分布，然而联合分析多个ST切片并对齐它们以构建组织的三维（3D）结构仍然是一项挑战。2023年11月，《Nature Communications》发表了一个基于深度学习的工具包—— SPACEL，用于ST数据处理和分析。

SPACEL是什么？

SPACEL是一个基于深度学习的工具包，包括三个模块：Spoint嵌入了带有概率模型的多层感知器，用于对单个ST切片中每个点的细胞类型组成进行去卷积；Splane采用图卷积网络方法和对抗性学习算法来识别跨多个ST切片在转录组和空间上一致的空间域；Scube自动转换连续切片的空间坐标系并将它们堆叠在一起以构建组织的 3D 结构。

SPACEL的性能测试

通过分析使用五种不同ST技术获取的32个模拟ST数据集和11个真实ST数据集，表明SPACEL模块在细胞类型去卷积、空间域识别和三维对齐方面优于其他方法。

Spoint 准确去卷积细胞类型组成

Splane识别多个切片的空间域

Scube从连续的2D切片构建组织的3D结构

SPACEL作为ST数据处理和分析的集成工具包

综上，SPACEL中虽然每个模块都可以单独使用，但它们在SPACEL平台中的协同作用为ST数据解读的最佳结果提供了一个全方位的简化解决方案，特别是精确的3D组织对齐，精确的空间域识别和有效的批次效应去除。

SPACEL的开源软件包可在GitHub中获取：https://github.com/QuKunLab/SPACEL.
与SPACEL相关的文档、使用说明和其他相关信息可通过如下链接获取：https://spacel.readthedocs.org.
上述研究中用于分析和绘图的所有代码和脚本已上传到Zenodo：https://doi.org/10.5281/zenodo.8316334.

参考文献
Xu, H., Wang, S., Fang, M. et al. SPACEL: deep learning-based characterization of spatial transcriptome architectures. Nat Commun 14, 7603 (2023). https://doi.org/10.1038/s41467-023-43220-3.