空间转录组分析中常用的主流底层算法或建模方法

目前空间转录组分析中常用的主流底层算法或建模方法出发，涵盖了 PCA、NMF、Cell2location 以外，还包括：

• scVI（单细胞变分自编码器）
• SpaGCN（空间图卷积网络）
• BayesSpace（贝叶斯空间聚类）
• Tangram（scRNA → 空间数据映射）
• stereoscope（贝叶斯细胞比例分解）

你可以用这个表格来进行方法比较、选型，或插入到你的报告中。

---

📊 空间转录组分析常用算法比较表（底层建模维度）

维度	PCA	NMF	Cell2location	scVI	SpaGCN	BayesSpace	Tangram	stereoscope
是否降维	✅	✅	❌（解构）	✅	✅（图嵌入）	✅	❌	❌
是否监督	❌	❌	✅	✅（有/无监督均可）	✅（弱监督）	❌	✅	✅
非负性	❌	✅	✅	❌	❌	❌	✅（比例）	✅
可解释性	❌ 一般	✅ 高	✅ 高	⚠️ 低（需解码解释）	✅（空间可视化）	✅ 高	✅（明确空间映射）	✅（比例明确）
输入类型	任意表达矩阵	非负表达矩阵	空间表达 + scRNA 参考	scRNA表达（可配空间）	空间表达 + 坐标	空间表达 + 空间信息	空间表达 + scRNA	空间表达 + scRNA
是否输出细胞类型	❌（需后注释）	❌（需人工注释）	✅（细胞类型 + 比例）	✅（潜在变量 + 聚类）	✅（聚类可视 +分群）	✅（空间聚类）	✅（细胞映射）	✅（细胞类型比例）
跨样本能力	❌	❌	✅（统一 scVI 空间）	✅	⚠️ 有限	⚠️ 有限	✅（跨组织投影）	✅
空间信息整合	❌	❌	✅（后验映射）	❌（需手动集成）	✅（内嵌图卷积）	✅（MCMC + 空间先验）	✅（坐标对齐）	❌
处理稀疏数据能力	⚠️ 弱	⚠️ 弱	✅	✅（强变分建模）	✅	✅	✅（基于映射插值）	✅
常见用途	预处理 / 可视化	成分分解 / 热图	细胞类型定位	scRNA维度缩减/整合	空间聚类/图结构分析	空间聚类（如ST数据）	scRNA → 空间配准	细胞类型比例估计

---

🧠 各方法简要补充说明

• PCA：线性降维方法，解释性差但速度快，常用于数据预处理。
• NMF：适合非负表达数据，如 proportion matrix（如 CAF 分型比例等），有良好可解释性。
• Cell2location：基于贝叶斯建模，从 scRNA 参考中估计空间点的细胞类型组成，广泛应用于 CAF 空间映射。
• scVI：使用变分自编码器建模单细胞数据，可用于整合、去批次、分类等任务。
• SpaGCN：基于空间图结构的 GCN 方法，能够同时考虑空间邻近性和表达特征，适合空间聚类。
• BayesSpace：专为 Visium 等平台设计的贝叶斯空间聚类模型，考虑空间自相关。
• Tangram：将 scRNA 数据映射到空间位置，实现细胞类型的空间投影，高解释性。
• stereoscope：基于贝叶斯解混合模型，估计空间点的细胞类型比例，用于 CAF 混合组分析很有用。

---

太棒了！我会在你提供的内容上，完整扩展小结部分，让它更系统化、实用化，并且结合你之前表格扩展的内容。

---

🧪 常用算法特点小结

类型	代表算法	适合任务	关键优势与备注
矩阵分解类	PCA / NMF	- 探索性降维 - 组分提取 - 主题分析	- 快速高效，适合初步可视化 - NMF 非负，适合解读组分贡献
贝叶斯解卷积	Cell2location / Stereoscope / RCTD	- 多细胞类型空间映射 - 细胞比例估计	- 结合单细胞参考，适用于复杂混合细胞场景 - RCTD 在临床免疫浸润也常见
空间映射优化类	Tangram	- 单细胞 → 空间映射（cell-level resolution）	- 细胞分辨率高，适合组织微环境精细化研究
图结构建模/聚类	SpaGCN / BayesSpace	- 空间区域聚类 - 组织结构分割	- 充分利用空间邻近性，发现潜在区域亚群 - SpaGCN 支持 GCN 可视化
深度生成模型	scVI / DestVI	- 单细胞数据批次矫正 - 空间整合 - 亚型解析	- 高维变分建模，整合多个样本或批次
低氧/免疫适配分析	hypoxic CAF / infCAF 特征结合算法	- CAF 特异空间/免疫耐受环境分析	- 结合基因集，通常配合 NMF / 贝叶斯解卷积

---

🔔 如果你要选算法，建议从以下出发：

✅ 想得到每个 spot 的多细胞组成比例（免疫浸润 / CAF 混合）
→ Cell2location / RCTD / Stereoscope
→ 适合问题：CAF 异质性、免疫微环境成分分析，尤其适合 CAF 各亚型比例解混

✅ 想精确找出区域结构 / 空间亚群
→ SpaGCN / BayesSpace
→ 适合问题：CAF 空间分布格局、低氧区域/血管富集区

✅ 想把 scRNA 精准映射到空间（单细胞级分辨率）
→ Tangram
→ 适合问题：CAF 在组织中具体分布，精细空间“定位”

✅ 只是想看数据主成分，初步降维或做热图聚类
→ PCA / NMF
→ 适合问题：CAF 大致分布模式，数据可视化

✅ 需要多样本整合、复杂批次校正
→ scVI / DestVI
→ 适合问题：多病人样本对比，批次效应显著的样本合并

---

🎯 总结思路

• 你可先用PCA / NMF做全局探索（确定数据质量、变异来源）。
• 若CAF 多亚型混合度高 → Cell2location / Stereoscope 能给出最直接的比例。
• 若组织结构复杂、想要精细化区域映射 → Tangram / SpaGCN 是高级阶段必用工具。
• scVI / DestVI 适合跨病人 / 批次多样本全局整合。