《iScience》：CoexpressDeconvolve enables reference-free single-cell-resolution deconvolution from spot-based spatial transcriptomics
编辑推荐：
基于spot的空间转录组（spatial transcriptomics, ST）在每个spot中捕获多个相邻细胞的转录组，掩盖了细胞类型特异性信号。大多数反卷积工具因此依赖外部单细胞参考并返回细胞类型比例而非细胞数量，且仅有部分输出完整表达谱。研究人员提出C
基于spot的空间转录组（spatial transcriptomics, ST）在每个spot中捕获多个相邻细胞的转录组，掩盖了细胞类型特异性信号。大多数反卷积工具因此依赖外部单细胞参考并返回细胞类型比例而非细胞数量，且仅有部分输出完整表达谱。研究人员提出CoexpressDeconvolve，一种无参考框架，结合混合管家基因（housekeeping, HK）-文库大小校准与空间基因共表达流形上的主题建模，以恢复整数细胞计数和细胞类型特异性转录组。在合成Visium数据上与Tangram、cell2location和STdeconvolve的基准比较显示，CoexpressDeconvolve获得具竞争力的表达重建保真度、最低的细胞计数误差和最高的每张切片细胞类型一致性。该框架输出模拟标准Space Ranger输出的特征-条形码矩阵，可直接载入标准单细胞下游分析栈。研究人员将其应用于人类乳腺癌和舌鳞状细胞癌，解析了肿瘤微环境组成并识别了恶性进展轴。
研究背景与立项依据：基于spot的空间转录组（如10× Genomics Visium）每个spot捕获多个相邻细胞转录本，形成复合信号，传统反卷积分参考依赖与无参考两类。参考依赖工具（cell2location、RCTD、Tangram）受限于配对单细胞RNA测序（scRNA-seq）参考质量，在缺乏图谱的新颖病理或物种中易误识或幻觉缺失细胞类型；现有无参考工具（如STdeconvolve）仅返回相对比例、丢弃多数转录本、以概率主题而非离散单细胞样轮廓输出，难以接入标准单细胞流程。为同时获得绝对细胞数、全转录组细胞类型特异性表达及与Space Ranger兼容的输出，研究人员开发CoexpressDeconvolve这一无参考管线。
主要关键技术方法：研究人员整合来自CancerSCEM 2.0中916个单细胞肿瘤数据集的元数据，估计单细胞质粒大小Gamma分布参数（μ=5483.7，φ=0.70）及15个HK基因全局表达谱；以10× Genomics公开人类乳腺癌配对scRNA-seq与Visium切片、以及Patysheva等发表的舌鳞状细胞癌Visium切片为实证队列；管线依次执行spot内细胞数混合HK-文库大小校准、FastICA构建空间基因共表达流形、困惑度扫描选LDA主题数K、LDA学θ/β并将主题投影至全转录组流形、分层贝叶斯多项采样将UMI分配为离散单细胞样轮廓、Fibonacci螺旋放置坐标、导出Space Ranger兼容HDF5。
研究结果：
A reference-free benchmark for spot-level deconvolution（无参考spot级反卷积基准）：研究人员将3′/5′人乳腺癌scRNA-seq整合为跨化学批次一致的地面真值图谱，含恶性上皮、腔面、肌上皮、基质、内皮、T细胞、浆细胞、TAM等，用于合成2500 spot（每spot 1–10细胞）Visium基准。
CoexpressDeconvolve reconstructs cell type-specific gene expression at par with reference-based methods（表达重建保真度）：在合成数据上，CoexpressDeconvolve单细胞样轮廓UMAP聚类清晰、空间重映射保留结构、标志物无跨系泄漏；每细胞类型伪 bulk与真值在3000 HVG上Pearson r=0.913、CCC=0.905，优于STdeconvolve（r=0.848）而次于cell2location（r=0.961），Tangram因cells模式逼近1.000。
Absolute cell counts and cell-type proportion accuracy across methods（绝对计数与比例精度）：仅CoexpressDeconvolve与cell2location返整数每spot细胞数；前者每spot总细胞Pearson 0.775、CCC 0.766、RMSE 1.671，误差约为后者（RMSE 2.456）0.68倍，切片级每细胞类型总数一致性更高；但细胞类型比例RMSE（0.149）略逊于Tangram（0.092）、cell2location（0.103）、STdeconvolve（0.123），误差集中于tumor与dividing tumor这对仅差细胞周期程序的难分对。
Application to real human breast cancer Visium tissue（乳腺癌实证）：在配对Visium切片上重构出肿瘤、分裂肿瘤、腔面A/B、肌上皮、T、浆细胞、TAM、成纤维、myCAF、脂肪细胞、内皮等群，空间边界连贯；与scRNA-seq参考3500 HVG平均Pearson 0.67，并额外恢复出参考图谱中缺失/低表的脂肪细胞与myCAF。
Spatial architecture and tumor invasion dynamics in tongue squamous cell carcinoma（舌鳞癌空间架构与侵袭）：无配对参考下，原始spot嵌入呈混合态，反卷积后重组出肿瘤核心/前缘/边缘、基底上角质细胞、角化角质细胞、成纤维、myCAF、内皮、骨骼肌、浆细胞、T细胞等正交轴；Slingshot推断以基底上角质细胞为根向肿瘤核心（HIST1H2BG/HIST1H2BH/HIST1H2BO增殖）与肿瘤边缘（MMP1/MMP10/MMP13/VIM/TP63/TMSB4X上皮-间质转化）双分支，KRT16/KRT6B沿两向下调。
Intercellular communication at the invasive edge（侵袭前缘细胞间通讯）：以重构轮廓跑CellChat，肿瘤边缘与myCAF为出入通讯枢纽；myCAF/成纤维主导胶原/FN1/层粘连蛋白/tenascin/periostin基质信号，内皮贡献PECAM1/ANGPTL血管模块，肿瘤边缘收发散基质与粘附输入，核心细胞仅受限结构/增殖感知。
讨论与结论翻译：研究人员在本工作中介绍CoexpressDeconvolve，一种无参考框架，直接从基于spot的ST数据重建整数细胞数与细胞类型特异性基因表达。通过结合HK基因校准、空间基因共表达流形、LDA主题建模与分层贝叶斯UMI重分配，该管线将多细胞Visium切片转为兼容标准scRNA-seq工具的离散单细胞样轮廓群。与三种既定工具基准对照确立了其在权衡图中的特定位置：表达重建距cell2location差0.05 Pearson单位且优于STdeconvolve 0.06单位；绝对细胞计数准确度约为cell2location每spot估计1.5倍、切片级总数最一致；细胞类型比例RMSE以微小差距居末，误差集中在tumor/dividing tumor对。当需在无配对scRNA-seq参考下将Visium切片表达反卷积至单细胞与全转录组水平时，CoexpressDeconvolve为首选，但细胞类型比例精度略降。其关键交付物为Space Ranger兼容HDF5特征-条形码矩阵，使Seurat/Scanpy及Slingshot/TradeSeq/CellChat等单细胞生态可直接用于Visium。局限性包括HK面板源自916单细胞元分析、未在最降解档案组织或HK基线扰动组织中验证。综上，CoexpressDeconvolve提供从单张多细胞ST切片到整数计数单细胞样表达轮廓的无参考路径，免除配对scRNA-seq图谱需求，扩展可分析组织与病理范围，基准划定了其宜用与不宜用边界。论文发表于《iScience》。
