多模态空间去卷积（Multimodal Spatial Deconvolution）

🌈 多模态空间去卷积（Multimodal Spatial Deconvolution）详解

---

🧠 1. 什么是“多模态”去卷积？

多模态空间去卷积是指使用不仅仅是 RNA 表达，还可能包括：

• 蛋白表达（如抗体探针：CODEX, Xenium IF）
• 表观组数据（如 scATAC）
• 图像信息（免疫荧光图，H&E 染色）

来更准确地推断出每个空间位置上的细胞类型组成和状态特征。

---

🎯 多模态去卷积与传统 RNA-only 方法的核心区别

项目	单模态去卷积	多模态去卷积
数据输入	仅 RNA 表达	RNA + 蛋白 / ATAC / 图像
建模内容	细胞比例	细胞比例 + 状态 + 模态协同
应用范围	ST / Visium	CosMx / Xenium / DBiT-seq
表达维度	数千个基因	基因 + 数十种蛋白
生物解释性	中等	高（尤其免疫组）

---

🔬 2. 典型多模态平台与支持内容

平台	支持模态	分辨率	数据量	推荐方法
CosMx SMI	RNA + 蛋白	亚细胞级	~1000 genes + ~30 markers	Tangram, TotalVI
Xenium	RNA + IF图像	单细胞级	5K genes + IF image	DestVI, Tangram, cell2location
DBiT-seq	RNA + Protein + ATAC	接近单细胞	多组数据整合	TotalVI, Tangram
CODEX / IMC	蛋白（高plex）+ IF	单细胞/亚细胞	~50–60 markers	SPADE, NMF, 手工 marker 注释

---

🧮 3. 多模态去卷积的主流算法原理与比较

✅ ① [Tangram (DL匹配框架)]

• 原理：将单细胞表达矩阵映射到空间坐标，使空间表达矩阵尽可能重建 RNA + 蛋白信号
• 关键优势：
  • 支持跨模态：scRNA→Spatial RNA / Protein
  • 兼容 CosMx、Xenium、DBiT-seq

# 示例使用 Tangram 将 scRNA 映射到空间蛋白表达
import tangram as tg
tg.map_cells_to_space(...)

---

✅ ② [TotalVI (Bayesian + 多模态 VAE)]

• 原理：基于 变分自编码器（VAE） 模型同时学习 RNA 和 蛋白模态，并推断潜在细胞状态和分布
• 适用数据：RNA + Antibody (ADT) 同时存在（如 Total-seq, CosMx）
• 支持稀疏数据，自动 denoise

# 示例：TotalVI pipeline
from scvi.model import TOTALVI
totalvi = TOTALVI.setup_anndata(...)
totalvi.train()

---

✅ ③ [DestVI (深层去卷积 + 细胞状态建模)]

• 专注于亚群异质性建模，适用于 RNA-only 数据（但也可结合图像等模态）
• 支持空间数据非均一性（如异质肿瘤）

---

🧪 4. 多模态去卷积的典型输出

输出类型	示例
📍 空间 spot 的多模态细胞组成图	每个点包含 RNA+Protein 推测结果
📊 细胞类型 + 状态双分布	同一类细胞可能在不同区域状态不同
🧬 蛋白–RNA 跨模态一致性图	某些蛋白表达是否与 RNA 匹配
🧠 融合空间 + 图像特征图	使用图像增强信号定位（如 IF 照片）

---

🧭 5. 何时使用多模态去卷积？

情况	是否推荐
✅ CosMx / Xenium / DBiT-seq 等多模态平台	强烈推荐
✅ 组织切片有蛋白通道 / 图像辅助	推荐
✅ 细胞状态变化明显（如免疫细胞激活）	推荐
❌ 只有纯 RNA 表达	建议用 cell2location、RCTD 等传统方法

---

🧩 6. 多模态去卷积的挑战与对策

挑战	解决方式
模态尺度不一致（RNA vs protein）	TotalVI 内部建模已自动归一化
蛋白 marker 少	可手工聚类 + marker 注释结合
图像未配准	使用 deepcell、napari 等进行图像预处理

---

✅ 小结：方法推荐清单

场景	方法	是否需 scRNA
CosMx SMI RNA+Protein	Tangram, TotalVI	✅
Xenium RNA + IF	Tangram, DestVI	✅
DBiT-seq 全模态	TotalVI	✅
蛋白-only（如 CODEX）	NMF, 聚类 + marker注释	❌

---

📦 你可以进一步获取：

• 📁 Tangram + TotalVI 全流程 Jupyter 示例
• 🧪 CosMx/Xenium 模拟数据 + 匹配图像
• 🧬 多模态输出图的可视化模版（UMAP+空间图+堆叠条形图）

---