《TRENDS IN Genetics》：A categorization of spatial transcriptomics methods for cell–cell communication analysis
编辑推荐：
细胞行为受到邻近细胞间通讯的强烈影响，主要通过配体-受体（ligand–receptor, LR）信号传导，这是细胞间通讯（cell–cell communication, CCC）的核心机制。LR对通常来源于基于文献和领域专家的实验蛋白质-蛋白质相互作用资源
细胞行为受到邻近细胞间通讯的强烈影响，主要通过配体-受体（ligand–receptor, LR）信号传导，这是细胞间通讯（cell–cell communication, CCC）的核心机制。LR对通常来源于基于文献和领域专家的实验蛋白质-蛋白质相互作用资源整理，或来自大规模数据挖掘方法。已知的LR对结合单细胞RNA（single-cell RNA, scRNA）测序已被用于推断细胞类型之间的推定CCC并识别下游靶基因。近年来，空间转录组学（spatial transcriptomics, ST）已成为一种广泛应用的技术，为基因表达增添了位置背景，使得能够研究物理细胞邻近性相关的细胞间通讯。通过捕获组织微环境中细胞的空间组织、空间共表达和亚细胞RNA定位，ST提供了比单独scRNA测序更丰富的信息，支持更知情且生物学上更可靠的CCC推断。许多方法利用不同的分析框架来从ST推断CCC，以适应不同的生物学问题。这些方法的快速发展产生了一个多样化且异构的方法体系，反映了不同的生物学问题、建模假设和数学框架，但也使得方法选择具有挑战性。本综述回顾了33种近期方法，并将其组织为三类：（i）细胞或细胞类型之间通讯网络的推断（细胞关联）；（ii）微环境对转录变异性影响的建模（微环境关联）；（iii）空间信息信号基因共关联及高阶相互作用结构的估计（基因关联）。研究人员提供了结构化指南以支持根据研究人员的分析目标进行方法选择，强调了每种方法在ST数据CCC推断中的优势、局限性和关键技术特征，并指出了未来方法学发展的概念空白。
当前空间细胞间通讯推断方法选择面临的挑战
细胞行为受到邻近细胞间通讯的强烈影响，主要通过配体-受体（ligand–receptor, LR）信号传导，这是细胞间通讯（cell–cell communication, CCC）的核心机制。LR对通常来源于基于文献和领域专家的实验蛋白质-蛋白质相互作用资源整理，或来自大规模数据挖掘方法。已知的LR对结合单细胞RNA（single-cell RNA, scRNA）测序已被用于推断细胞类型之间的推定CCC并识别下游靶基因。近年来，空间转录组学（spatial transcriptomics, ST）已成为一种广泛应用的技术，为基因表达增添了位置背景，使得能够研究物理细胞邻近性相关的细胞间通讯。通过捕获组织微环境中细胞的空间组织、空间共表达和亚细胞RNA定位，ST提供了比单独scRNA测序更丰富的信息，支持更知情且生物学上更可靠的CCC推断。许多方法利用不同的分析框架来从ST推断CCC，以适应不同的生物学问题。这些方法的快速发展产生了一个多样化且异构的方法体系，反映了不同的生物学问题、建模假设和数学框架，但也使得方法选择具有挑战性。
近期已有若干综述从不同角度探讨了CCC和ST。Gulati以及Hou等人概述了scRNA和ST技术的最新进展，指出了进展与挑战。Su等人提供了从机制到临床应用的CCC转化概述。此外，还有并非专门针对空间分辨CCC方法的综述，导致方法覆盖不全或描述简略，或主要强调算法视角。
相比之下，本研究旨在为研究人员提供一个结构化且全面的指南，以了解用于空间CCC推断的计算方法。研究人员将33种近期方法组织为三类：（i）表征单个细胞或细胞类型之间的通讯（细胞关联）；（ii）评估微环境对转录变异性的影响（微环境关联）；（iii）识别信号基因关联及其下游功能反应（基因关联）。每个类别捕获了空间分辨通讯的不同方面，为组织结构与功能提供了有价值的见解。具体而言，方法的分类基于其主要推断目标，即核心计算框架旨在建模和优化的生物组织层次（细胞、基因或细胞-微环境依赖关系）。支持性分析和下游解释模块未被用作分类标准。
研究人员为每种方法提供了技术摘要，包括数据输入要求、支持的空间分辨率、定义空间邻近性的方法以及所采用的数学框架。比较表突出了关键属性，使得能够直接进行跨方法评估。通过这些表格，研究人员还提出了统一的术语，用于对空间CCC推断中的分析目标进行分类，以解决不同研究中当前对相似研究问题表述不一致的问题。通过将方法与生物学问题对应，研究人员使研究者能够根据其数据和目标选择合适的方法，并识别未来发展的概念空白。
细胞关联
该类别关注细胞或细胞类型之间通讯网络的推断。Table 1总结了该类别下的方法，包括CellChat、CellPhoneDB、Giotto、SCTP (stLearn)、TWCOM、CLARIFY、COMMOT、spaOTsc、Spacia、SpaTalk、TENET和VGAE-CCI。这些方法在推断目标上有所差异，例如细胞类型水平CCC、细胞-细胞水平CCC、LR对排序、识别通讯相关基因（communication-associated genes, CAGs）以及方向性关联。在邻近性模型上，方法采用了物理邻近图、空间定义的微环境共定位、Delaunay图、可调半径邻域、距离衰减函数、图自动编码器、集体最优传输（collective optimal transport）、贝叶斯多实例模型、多层图模型、图神经网络（graph neural network, GNN）等。数学框架包括基于质量作用的通讯概率模型、置换检验、Tweedie分布广义加性模型、双重图自动编码器、最优传输算法、贝叶斯多实例模型、非负回归与随机游走、GNN等。输入数据方面，部分方法支持单细胞分辨率，部分支持点位（spot）分辨率，多数需要LR对数据库和细胞类型注释，部分需要反卷积（deconvolution）。
微环境关联
该类别关注微环境对转录变异性的影响以及微环境驱动的基因调控模块。Table 2总结了该类别下的方法，包括CellNeighborEX、Niche-DE、NiCo、ONTraC、PSTS (stLearn)、QuadST、DeepCOLOR、iMIRACLE和LIANA+。主要推断目标包括微环境相关基因程序（niche-associated gene programs）、微环境调控模块（niche regulatory modules）、轨迹推断（trajectory inference）以及标记物相互作用网络。邻近性模型涉及Delaunay三角剖分、径向距离、K近邻（K-nearest neighbors, KNN）、高斯核距离相似性、有效微环境（effective niche）细胞类型组成向量、逻辑回归预测、图卷积网络（graph convolutional network, GCN）等。数学框架包括逻辑回归、正则化逻辑回归、非负矩阵分解（non-negative matrix factorization, NMF）、GCN、扩散伪时间（diffusion pseudotime）算法、分位数回归、变分自编码器（variational autoencoder, VAE）、多视图共识框架等。输入数据多数支持单细胞和点位分辨率，部分需要LR数据库和细胞类型注释，部分需要内置反卷积。
基因关联
该类别关注信号基因对、空间基因表达结构以及通讯热点（communication hotspots）的识别。Table 3总结了该类别下的方法，包括Copulacci、GCNG、HoloNet、IGAN、spaCI、SpaGene、SpatialDM、CrossChat、MCIST、MERINGUE、MISTy、NeST和stKeep。主要推断目标包括信号基因对、空间基因表达结构（spatial gene expression architecture）、通讯热点、CAGs识别。邻近性模型包括距离加权copula得分、空间邻接图、多视图图、KNN图、潜在空间投影、子网络提取、空间交叉Moran's I、Louvain社区发现、Voronoi镶嵌、Delaunay三角剖分、异构图（heterogeneous graph）等。数学框架包括空间copula模型、图卷积神经网络（graph CNN）、多视图GNN、统计检验、注意力图编码器、Earth Mover's Distance、空间交叉Moran's I、马尔可夫稳定性（Markov Stability）、谱图正则化、随机森林元模型等。输入数据多数支持单细胞和点位分辨率，部分需要LR数据库和细胞类型注释，部分需要反卷积。
Box 1 分类目标解释
Box 1明确解释了分类中所用目标的定义。1. 细胞类型通讯网络：基于LR信号事件、共表达模式或空间邻近性，节点为细胞类型，边表示推断的通讯，可加权反映强度或显著性。2. 细胞-细胞通讯网络：节点为单个细胞，边表示推断的通讯强度，基于单个LR信号事件或所有LR信号事件聚合。3. 通讯相关基因（CAGs）：其表达变异性与细胞间通讯信号显著相关，包括高度可变基因和通讯响应基因（communication-responsive genes, CRGs）。4. 通讯热点：具有高通讯活性的细胞或点位，由涉及该细胞或点位的所有LR介导信号事件的累积强度定义。5. 微环境相关基因程序：中央细胞或细胞类型中受局部邻域组成解释的模块，不依赖LR对知识，反映微环境驱动的细胞状态变异性。6. 微环境调控模块：由邻近细胞中的微环境标记基因调控中央细胞靶基因的模块，常通过重建基因通讯网络识别，并提供重要性或配体-基因调控得分。7. 轨迹推断：整合基因表达变化与空间邻近性，重建动态连续细胞过程，如疾病进展或分化路径，包含反映分子变化的过渡标记基因。8. 空间基因表达结构：指基因表达模式在组织中的组织方式，包括空间基因表达异质性、共享空间表达程序、差异共表达模式等。
