D3aist：基于数据的空间转录组学中异常相互作用的检测方法

《BMC Genomics》：D3aist: data-driven detection of atypical interactions in spatial transcriptomics

　　

摘要

组织具有复杂的空间结构，这种结构决定了细胞的功能与相互作用，而传统的转录组学方法无法捕捉这一特征。空间转录组学能够在分析基因表达的同时保留细胞的位置信息，从而实现组织结构的高分辨率绘制。在分子层面解析的空间转录组学数据中，每个转录本的检测结果都与空间坐标和基因身份相关联，这类数据可以自然地被建模为空间统计学框架中的多类型点模式。二阶统计量，如Ripley交叉K函数、交叉L函数以及成对相关函数，常被用于描述空间相互作用；然而，要对多种类型的相互作用进行系统比较仍面临挑战。我们提出了一种基于数据驱动的方法，名为D3AIST，该方法通过“留一对法”对观测到的函数集合构建经验边界框，进而对每种基因对类型进行评估。具体而言，就是将某一对基因的二阶统计量与由所有其他基因对对应的函数构成的经验边界框进行比较，以此识别出非典型的空间相互作用，且无需依赖传统的零模型或渐近结果。D3AIST为所有基因对类型提供了一种全局比较方案，有助于在完全基于经验的框架内识别出独特的相互作用模式。我们将该方法应用于两项公开研究中的Xenium转录组数据。在基于GSE280318/GSE280314的结直肠癌病例研究中，D3AIST识别出了专家定义的肿瘤微环境区域内的非典型空间相互作用网络。另外，使用GSE267680 Xenium数据集进行的独立外部评估进一步证明了该框架在另一种胰腺上皮内瘤变研究中的应用价值。此外，还通过控制模拟和计算基准测试来评估该方法的经验误差行为及可扩展性。总体而言，D3AIST为在分子层面解析的空间转录组学数据中识别非典型的转录本水平空间关联提供了描述性分析及假设生成的工具。