综述：空间转录组学中的细胞类型反卷积方法

这篇综述系统梳理了空间转录组学（ST）中细胞类型反卷积（deconvolution）方法的最新进展，重点对比了各类工具在解析组织微环境细胞组成时的技术特点与应用场景，为研究者选择适配算法提供实用指南。文中强调该方法对揭示发育、疾病中组织空间异质性的关键作用，并配套开发了交互式比对表格提升方法筛选效率。

　　

Abstract

空间转录组技术（Spatial Transcriptomics, ST）通过保留基因表达的空间坐标信息，为解析多细胞生命的发育机制和疾病病理提供了革命性研究工具。然而当前测序技术尚未实现单细胞级分辨率，使得细胞类型反卷积成为从混合信号中推断空间位置细胞组成的关键计算手段。

方法学进展

现有反卷积方法主要分为三类：基于参考图谱的回归模型（如SPOTlight）、非负矩阵分解（NMF）算法（如SpatialDWLS）以及深度学习框架（如Tangram）。这些工具通过整合单细胞RNA测序（scRNA-seq）参考数据，将ST数据中的混合信号分解为特定细胞类型的贡献比例。值得注意的是，部分新算法如Cell2location还能同时解析稀有细胞亚群的空间分布。

应用场景对比

在肿瘤研究领域，反卷积技术成功揭示了乳腺癌微环境中免疫细胞与癌细胞的拓扑互作模式；神经科学中则用于绘制小鼠脑区特定神经元亚型的层状分布。不同工具在分辨率（10μm vs 50μm）、计算效率（CPU小时数）和先验知识需求（标记基因库完整性）方面存在显著差异。

方法选择指南

研究者建议根据样本特性选择工具：高密度ST数据（如Visium）适合采用概率模型，而低通量平台（如Slide-seq）需优先考虑稀疏性约束算法。配套发布的交互式比对平台（https://example.org/deconvolution_tools）支持按组织类型、物种等参数进行多维度筛选。

挑战与展望

当前技术仍面临批次效应校正、跨平台兼容性等瓶颈。未来发展方向包括整合表观组数据（如空间ATAC-seq）的多组学反卷积，以及结合人工智能实现亚细胞级预测。这些突破将推动空间组学在精准医学和再生治疗中的应用深度。