利用SWOT方法从空间转录组数据中推断细胞类型组成和单细胞空间图谱

《Communications Biology》：Inference of cell-type composition and single-cell spatial maps from spatial transcriptomics data with SWOT

SWOT方法通过结合最优传输和空间加权策略，从spot-resolution时空转录组数据中推断单细胞空间地图，同时精确估计细胞类型比例、细胞数量及空间坐标，在多个实验数据集验证中优于现有方法，为组织单细胞分辨率分析提供了新工具。

空间分辨率的单细胞转录组学技术在绘制生物体细胞图谱方面具有重要意义，但许多现有的空间转录组学数据缺乏单细胞分辨率。传统的细胞类型解混方法主要关注于估计细胞类型的比例，而无法进一步确定用于重建单细胞空间图的精确细胞。为了解决这一限制，我们提出了一种空间加权最优传输方法，称为SWOT（Spatially Weighted Optimal Transport），用于学习从细胞到斑点的映射关系，从而从基于斑点的空间转录组学数据中推断出细胞类型组成和单细胞空间图。实验结果表明，SWOT所学习的细胞到斑点的映射在估计细胞类型比例、每个斑点中的细胞数量以及每个细胞的空间坐标方面具有优势。SWOT还能够描绘细胞类型的空间分布，并将单个细胞映射到其在不同形态组织中的空间位置。我们进一步展示了SWOT在帮助准确识别和功能注释细胞邻域，以解析组织结构方面的应用价值。总的来说，SWOT是一种有前景的工具，能够将大量基于斑点的空间转录组学数据转化为单细胞分辨率，从而促进在组织内的细胞级发现。

空间转录组学（ST）技术能够同时测量基因表达和空间位置，从而提供对细胞空间排列和空间表达模式的更全面理解。单细胞分辨率的ST数据可以揭示转录组特征和空间特性，从而实现对组织空间图的单细胞层面的描述。这些高分辨率的空间图从多个角度为细胞功能、组织结构和分子机制提供了新的视角，成为绘制人类细胞图谱第一草案的基础。然而，现有的基于测序的空间转录组学技术，如Spatial Transcriptomics、Slide-seq v2和10x Visium，虽然能够捕捉整个转录组，但难以轻松实现单细胞分辨率。在每个捕获的位置（斑点）中，测得的基因表达通常包含多种细胞类型的混合，这些细胞可能是同质的或异质的。为了解决这一问题，设计了细胞类型解混方法来推断每个斑点的细胞类型组成。

目前的细胞类型解混方法可以基于是否利用空间位置信息进行分类。大多数方法，如SPOTlight、RCTD、STRIDE、Stereoscope和Uniport，没有利用空间信息。然而，已有研究表明，相似的细胞类型往往在空间上共定位，这一现象称为空间自相关性，并且可以在实际的ST数据中观察到。因此，相邻的位置（斑点）更可能共享相似的细胞类型组成，这突显了在估计细胞类型组成时考虑空间位置信息的重要性。一些方法，如CARD和SONAR，通过基于空间距离的特征来表征斑点之间的空间依赖性或权重，这些权重随着距离的增加而减少。然而，需要注意的是，对于一个焦点斑点，当其相邻斑点表现出较大的异质性时，不匹配的邻域可能会导致估计偏差。在这种情况下，为相邻斑点分配固定权重（如CARD）或不对距离较远但表达相似的斑点提供权重（如SONAR）可能会导致对空间信息的过度依赖。

尽管细胞类型解混方法可以解决低分辨率问题，但它们通常难以识别精确的细胞，以重建单细胞分辨率的空间图，这限制了对空间细胞间相互作用和组织结构的分析。为了解决这些限制，一些互补的方法被开发出来以推断单细胞空间图。这些方法通常通过整合或对齐单细胞RNA测序（scRNA-seq）和ST数据，将单细胞映射到空间位置。例如，CellTrek训练一个多元随机森林模型，直接将scRNA-seq数据中的单细胞映射到ST数据中的空间位置，而不经过估计细胞类型组成和每个斑点的细胞数量的步骤。然而，由于未知的细胞数量，其准确性可能依赖于斑点内的细胞纯度。CytoSPACE是另一种用于将单细胞转录组映射到空间坐标的先进方法，但其依赖于解混方法，无法估计单个细胞的空间坐标。因此，目前缺乏一种能够同时描绘斑点或组织中的细胞类型组成并从基于斑点的ST数据中推断单细胞空间图的方法。

为了解决上述问题，我们引入了一种基于空间加权最优传输（SWOT）的算法，以整合scRNA-seq数据和ST数据，用于推断细胞类型组成和单细胞空间图。该方法在最优传输框架中采用空间加权策略，以学习细胞到斑点的映射，从而在将细胞类型信息分配到斑点和将坐标信息分配到细胞方面带来优势。利用这一映射，SWOT可以估计细胞类型组成、每个斑点的细胞数量和每个细胞的空间坐标，从而推断出单细胞空间图。推断出的图包含了基因表达、空间坐标和细胞类型信息，为后续分析奠定了基础。在模拟数据集上的实验验证了SWOT在估计细胞类型比例、每个斑点的细胞数量和每个细胞的空间坐标方面的有效性。进一步在真实数据集上的验证展示了SWOT在描绘细胞类型的空间分布、将单细胞映射到其空间位置、检测基因表达的空间模式、促进细胞邻域（TCNs）的识别和功能注释，以及支持基于单细胞空间图的细胞-细胞相互作用分析方面的实用性。这些分析促进了对组织空间组织、结构和结构-功能关系的理解和解析。

SWOT的性能评估显示，在模拟数据集中，SWOT在估计细胞类型组成方面表现出色。通过空间网格划分策略，我们从单细胞分辨率的ST数据中构建了具有已知真实情况的模拟数据集。在这些数据集中，SWOT与SONAR在多个评估指标中表现最佳，而其他方法则在不同指标中表现出不同的性能。通过比较估计的细胞类型比例与真实值，SWOT在大多数数据集中均显示出较高的准确性。此外，SWOT在模拟数据集中还成功地描绘了细胞类型的空间分布，如在MOB数据集中，SWOT能够清晰地识别出各层的细胞类型分布，与已知的组织结构一致。通过比较不同方法在模拟数据集上的表现，SWOT不仅在细胞类型组成估计方面优于其他方法，还能够准确地推断出单细胞空间图，从而为组织结构的精细描述提供了可能。

SWOT在推断单细胞空间图方面也表现出色。在模拟数据集上，SWOT能够准确地估计每个斑点的细胞数量和每个细胞的空间坐标，从而生成单细胞空间图。这些图不仅能够反映细胞类型的空间分布，还能揭示基因表达的空间模式。通过比较不同方法在估计细胞数量和空间坐标方面的表现，SWOT在多个指标上均优于其他方法，如在估计细胞数量时，SWOT的对数比例接近0，相关性接近1，而欧几里得距离则较小。这些结果表明，SWOT在推断单细胞空间图方面具有较高的可靠性。

在PDAC数据集中，SWOT进一步展示了其在细胞邻域功能注释方面的应用。通过将SWOT与CytoCommunity结合，我们能够准确地识别出PDAC组织中的不同细胞邻域，并对它们进行功能注释。例如，TCN_1区域的细胞邻域可能涉及癌细胞和炎症成纤维细胞的共定位，这表明其可能参与肿瘤微环境中的特定功能。这些结果不仅验证了SWOT在单细胞空间图推断中的有效性，还展示了其在解析组织结构和功能方面的潜力。

SWOT还能够揭示细胞间相互作用的网络。通过结合CellChat方法，我们分析了TCN_1区域中不同细胞类型的相互作用，发现了与肿瘤和免疫相关的显著配体-受体相互作用。这些相互作用不仅能够帮助理解肿瘤微环境的结构和功能，还可能为开发新的治疗策略提供重要线索。例如，PLAU-PLAUR的异质性相互作用可能反映了不同肿瘤亚克隆的侵袭和转移能力差异，而CCL相关通路的细胞间通信可能调节免疫和炎症反应，从而影响肿瘤生长和转移。

尽管SWOT在许多方面表现出色，但仍存在一些局限性。例如，它仅能利用scRNA-seq数据中的基因表达信息，而无法恢复ST数据中的单细胞表达谱。此外，SWOT尚未考虑组织学图像中的有用信息，这些信息对于恢复空间特征至关重要。同时，其他多组学数据，如空间蛋白质组学，对于空间图的构建也具有重要意义，因为它们可以揭示单组学技术难以观察到的组织结构和细胞间相互作用。因此，未来的工作可以考虑将SWOT与其他多组学技术结合，以实现更全面的空间图分析。

SWOT的应用展示了其在空间转录组学研究中的潜力。通过将空间信息与基因表达信息相结合，SWOT能够更准确地估计细胞类型组成和单细胞空间图，从而促进对组织结构和功能的深入理解。此外，SWOT的灵活性和适应性使其能够在不同数据集和实验条件下保持良好的性能。在实际应用中，SWOT能够帮助研究人员从低分辨率的空间数据中提取高分辨率的信息，为细胞级发现和空间解析提供支持。

总之，SWOT作为一种创新的算法，能够有效解决现有空间转录组学技术在单细胞分辨率上的不足。通过整合scRNA-seq和ST数据，SWOT不仅能够估计细胞类型组成，还能推断单细胞空间图，从而为解析组织结构和功能提供新的工具。随着空间转录组学技术的不断发展，SWOT有望成为推动高分辨率细胞图谱构建的重要方法之一。