NC | SPACEL:基于深度学习的空间转录组结构表征

2023-12-19 569文献解读

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-1.png

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-2.png

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

SPACEL-3.png

Splane识别多个切片的空间域

SPACEL-4.png

SPACEL-5.png

Scube从连续的2D切片构建组织的3D结构

SPACEL-6.png

SPACEL作为ST数据处理和分析的集成工具包

SPACEL-7.png

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.

上一篇下一篇