去卷积（deconvolution）

🧠 空间转录组去卷积（Spatial Transcriptomics Deconvolution）详解

一、什么是去卷积？为什么需要它？

去卷积（deconvolution）是指从一个混合表达信号中解析出其组成成分的过程。在空间转录组中，它的主要目标是：

应用	说明
❶ 细胞成分识别	推断每个 spot 中有哪些细胞类型及其比例
❷ 空间组织图谱重构	重建“拟单细胞”的空间表达图
❸ 解码功能异质性	揭示组织微环境的免疫、代谢、基质等变化区域

空间去卷积 vs. bulk RNA-seq 去卷积

维度	空间转录组去卷积	Bulk RNA-seq 去卷积
数据类型	空间点（spot）表达	全组织混合表达
是否有坐标	✅ 有	❌ 无
分辨率	每个 spot 级	整个样本级
典型工具	cell2location, RCTD, Tangram	CIBERSORTx, MuSiC, DeconRNASeq

---

关键区别

维度	空间去卷积	bulk RNA-seq去卷积
数据类型	空间转录组数据	整体混合表达数据
是否有空间信息	有，点位具有坐标	无空间坐标
精度	高，每个spot都有推测	低，只能估算样本总体组成
所需参考	scRNA-seq表达谱	通常也需要scRNA-seq或marker表达谱
输出结果	每个spot中不同细胞类型的比例	每个样本中不同细胞类型的比例
工具	Tangram, RCTD, Cell2location	CIBERSORT, MuSiC, DeconRNASeq

与传统意义bulk RNA-seq 中的去卷积不同

1. 在 bulk RNA-seq 中，样本通常由多种细胞混合，比如肿瘤组织、血液样本等。Bulk RNA-seq 给出的是一个样本整体的平均表达谱。目标是推断每个 bulk 样本中，不同细胞类型所占的比例（或相对表达贡献）
2. 常用算法

• CIBERSORT / CIBERSORTx：利用线性回归，将混合表达数据分解为多个已知细胞类型的表达特征和比例。CIBERSORTx支持batch correction和RNA-seq改进模型。
• MuSiC：利用scRNA-seq作为参考，建立细胞类型表达加权平均模型，适应不同组织来源。
• DeconRNASeq: 简化线性模型，适用于较少已知细胞类型的场景。

二、空间去卷积的分析流程（典型四步）

预处理 → 构建参考 → 建模去卷积 → 可视化与空间解释

步骤拆解：

1. 预处理：

   • 空间数据归一化、QC；
   • 单细胞数据聚类与细胞类型注释。

2. 构建参考表达库：

   • 使用高质量的 scRNA-seq 生成各类细胞的 marker profile；
   • 或整合公开单细胞数据集。

3. 去卷积建模：

   • 根据所选工具建立空间表达 = 参考表达 × 比例矩阵。

4. 空间可视化与解释：

   • 将每种细胞类型的分布图还原在组织图像上。

---

三、主流去卷积方法与分类对比

✅ 1. 监督式建模法（需要 scRNA 参考）

方法	原理	特点	适用平台
cell2location	贝叶斯层次模型	多细胞类型支持好，可整合 batch	Visium, CosMx
RCTD	泊松似然估计	对小 spot 更稳健，分辨率适中	Slide-seqV2
SPOTlight	NMF + 回归	快速，适合探索性分析	Visium
Stereoscope	scVI负二项建模	类似cell2location，轻量但不支持先验	Visium, MERFISH
Tangram	深度学习映射	支持 RNA→Protein 跨模态对齐	CosMx, Xenium

---

✅ 2. 无监督 / 半监督类（无需 scRNA 参考）

方法	原理	特点	适用平台
NMF	非负矩阵分解	快速、无参考，但难解释	全平台（探索）
BayesSpace	贝叶斯空间聚类	强 spatial 分区能力，不输出细胞比例	Slide-seq, Visium
spatialPCA	降维+聚类	聚焦空间趋势挖掘	全平台

---

✅ 3. 多模态去卷积方法

方法	特点	支持平台
Tangram	RNA→Protein 映射；空间对齐强	CosMx, DBiT-seq
DestVI	建模细胞状态（不是类型）	Visium, Xenium
TotalVI	RNA + 蛋白整合	多模态平台首选

---

四、平台适配推荐表

平台	类型	推荐方法
10X Visium	转录组	cell2location, SPOTlight, Stereoscope
Slide-seqV2	转录组	RCTD, BayesSpace
MERFISH / CosMx	空间高通量 RNA	Tangram, DestVI
DBiT-seq / Xenium	RNA + Protein	TotalVI, Tangram
IMC / CODEX	蛋白组学	NMF, 聚类 + marker 注释

---

五、方法选择的本质逻辑

决策因素	解读方式	示例
🎯 数据模态	仅RNA？是否多模态？	CosMx 选 Tangram；单模态选 RCTD
📏 空间分辨率	spot 包含几种细胞？	Visium 适合 cell2location
🧭 是否有 scRNA 参考	有参考可用监督法；无参考用 NMF/BayesSpace	tumor bulk 无参考 → NMF

---

六、可视化与输出样例

以下是典型输出图表：

1. 每类细胞空间热图
2. 堆叠条形图（每个 spot 细胞比例）
3. 空间聚类 vs. 原组织结构映射图

你可以用以下工具生成可视化：

可视化工具	推荐
Scanpy / Squidpy	可生成空间图、分布图
cell2location 自带可视化函数	如 plot_spatial_map()
Tangram 结合 napari	支持原图叠加表达图

---

七、技术挑战与前沿趋势

挑战	描述
📍 分辨率限制	Visium spot 过大，非单细胞
🧬 batch effect	scRNA 与空间数据跨平台误差
🧬 多模态推断困难	蛋白数据数量少，归一化难度大
📌 未来趋势	开发真实单细胞分辨率平台（如 Slide-seq3、Stereo-seq v3）；scATAC + 蛋白联合建模

---

✅ 总结推荐清单

使用场景	推荐方法
Visium + scRNA	cell2location, Stereoscope
Slide-seq 高精度	RCTD, BayesSpace
无参考数据	NMF, BayesSpace, spatialPCA
蛋白组数据	NMF, 聚类 + marker 注释
多模态 RNA+Protein	Tangram, TotalVI

---

📦 Bonus：进一步资源

如你需要，我可以提供：

• 🧪 各方法的 运行代码模板（Python/R）
• 🧬 公开 scRNA + ST 数据用于练手（如 10x + Tabula）
• 📁 Snakemake 工作流模板，支持自动化 cell2location + Tangram

---